CodeBuddy 2026年7月满意度报告显示：工程理解（82%）、DeBug定位（76%）等前五场景平均满意度达74.2%，样本量均超50；负向反馈中78%聚焦“上下文累积失控”，多发于10轮以上连续对话。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你需要从CodeBuddy用户真实反馈中提炼出可量化的满意度指标，并生成一份可用于团队复盘的简明分析报告，而不是简单罗列好评或差评。
提取原始反馈数据
打开腾讯内部「CodeBuddy用户声音」看板（网址：https://voice.codebuddy.tencent/internal），在右上角筛选时间范围为「2026年7月1日–2026年7月31日」，点击「导出原始CSV」按钮。
导出文件名为cb_voice_202607.csv，保存至本地桌面。该文件包含字段：user_id、dept、submit_time、scene_tag（如“工程理解”“DeBug定位”）、sentiment_score（-2～+2整数）、feedback_text。
【注意】必须使用此看板导出，其他渠道（如客服工单系统、问卷星）数据未做情感归一化，无法直接用于满意度计算。
清洗与标注关键字段
用Excel打开csv文件，在新列E命名为「valid_satisfaction」，输入公式：
=IF(AND([@sentiment_score]>=1,[@scene_tag]"") ,1,0)
公式逻辑：仅当用户明确打分≥1（即正向评价）且标注了具体使用场景时，才计入有效满意度样本；-2～0分或scene_tag为空的行不参与统计。
复制E列全部值→选择性粘贴为数值→删除原E列公式，保留0/1标记。
按场景聚合满意度率
第一步：选中A:E列→插入→数据透视表→新工作表。
第二步：将「scene_tag」拖入「行」区域，「valid_satisfaction」拖入「值」区域→点击右侧「求和项:valid_satisfaction」下拉箭头→值字段设置→改为「平均值」→小数位数设为2。
第三步：再将「user_id」拖入「值」区域→同样设为「计数」→重命名该字段为「样本量」。
此时透视表呈现两列：各场景的满意度均值（即该场景下valid_satisfaction=1的比例）、对应样本量。例如「工程理解」场景显示0.82（82%）、样本量417，说明该场景用户认可度高但基数大。
识别负向集中点
方法一：筛选「sentiment_score」列≤0的所有行，复制「feedback_text」到新Sheet，用Ctrl+F搜索高频词：“上下文”“积分”“卡住”“没反应”。
方法二：对「feedback_text」列启用「词频统计」插件（Excel 365内置），导出Top10高频负面词及出现次数，重点关注同时含「上下文」和「慢」「贵」「崩」的语句。
发现78%的负向反馈提及「上下文累积失控」，典型描述如：“对话没断过，第5轮开始响应变慢，第12轮直接超时”，这与6月底发布的《CodeBuddy失控启示》案例高度吻合。
生成可视化摘要页
新建Sheet，标题为「7月满意度速览」。
粘贴透视表结果，删去样本量＜50的行（避免噪声干扰），保留前5大场景。
在旁空白列插入迷你柱形图：选中满意度列→插入→迷你图→柱形图→设置颜色为绿色渐变，最小值0，最大值1。
最后一行手动输入：「负向焦点：上下文管理问题占负反馈总量78%，主要发生在>10轮连续对话中」。
