一、项目背景

某品牌，负面声量散在十几个平台，人工刷根本刷不过来，等公关发现时已经上了热搜。我们进场时，危机响应靠临时拉群，谁去监测、谁写口径、谁对接平台，全靠喊。老板最怕的不是有负面，是负面发酵了我们还不知道。

还有一个盲区，是短视频和直播弹幕。这类内容实时性强、生命周期短，传统舆情工具抓不全，等看见时片段已经传开。公关说，最怕的不是大 V 发文，是直播间里一句吐槽被切片，半天铺满同城页。

二、落地场景

我们让智能体分头采集各平台舆情，做情感识别和风险分级，高危的立刻预警。危机响应任务自动分派，监测、研判、写口径、对接平台各有人盯。回应口径协同生成，多个渠道说同一套话，不乱。处置效果跟踪，看声量有没有压下去。

针对短视频，我们加了实时切片采集，直播弹幕按关键词和情绪强度过滤，高危片段秒级进预警队列。公关端能看危机时间线，从首发到扩散到回落一目了然。口径库按危机类型预置模板，新危机来了改几句就能发，不用从零写。

三、关键技术挑战与解决思路

情感识别最容易误判。我们早期通用模型把用户的吐槽当正面，一条真危机漏了，等发酵才发现，复盘时人人喊冤。后来加了领域情感词典加人工复核双保险，高危的必须人过一眼。任务分派也不能乱派，初期按接单量轮询，结果懂行的智能体没排上，写的口径外行，我们改成按危机类型匹配专长智能体。口径协同最怕各说各话，我们统一了话术库，多渠道引用同一份，避免自相矛盾。

短视频切片噪声大，弹幕里玩梗和真投诉混在一起，直接全抓会淹没预警。我们加了情绪强度和传播速度双重过滤，只有又快又凶的才进高危，普通玩梗不扰人。人工复核也要快，我们给高危事件设了十五分钟响应 SLA，超时就升级到人。

案例片段（已脱敏）： 舆情采集与预警分派的核心配置：yaml monitor:  platforms: [weibo, xhs, douyin, forums]  short_video: {realtime_clip: true, emotion_x_speed_filter: true}  sentiment: domain_dict + human_review  risk_level: high/mid/low dispatch:  by_crisis_type: true  specialist_match: true  high_sla_min: 15 response:  unified_script: true  track_effect: true上线后预警时效从平均几小时压到十分钟以内，覆盖平台数从三四个扩到十几个，响应时长从半天降到一小时，误报率因为人工复核控制在约一成。

四、效果数据

预警时效从平均几小时压到十分钟以内，危机不再等发酵才发现。覆盖平台数从三四个扩到十几个，声量盲区基本消除，短视频切片也进了预警。响应时长从半天降到一小时，口径当天下午就能统一发出。误报率因为人工复核控制在约一成，不淹没人手。最让公关团队安心的是，高危事件一定有人过一眼，再没出现过漏判导致上热搜的事故，直播间切片也被拦在扩散前。

危机响应体系还沉淀了一套口径模板库，按危机类型预置，新危机来了改几句就能发，不用从零憋。公关同学说，最怕的不是写不出，是临场乱，模板把基本盘锁住了，剩下的只需补事实。

我们还把处置效果做成闭环，发了口径后继续盯声量曲线，压不下去就升级资源。有一次直播间切片在扩散，靠实时预警加模板口径，两小时内把声量摁下去，没上热搜。公关第一次觉得，危机是能被管理的，不是碰运气的。

舆情体系用熟后，品牌方开始反过来用数据做预防。比如某类话题历史上容易翻车，我们提前储备口径和素材，等苗头一出来直接发，把危机摁在摇篮。从被动救火到主动布防，公关的角色从救火队变成了预警岗，老板说这才叫真正的风险管理。

多智能体协同还带来一个好处，处置过程全程留痕。哪条预警谁看的、口径谁写的、发了哪个渠道，一条时间线清清楚楚，事后复盘和追责都不扯皮。有一次外部质疑我们响应慢，我们直接把时间线甩出来，从预警到发声不到一小时，质疑当场平息。可追溯让危机响应有了公信力。

协同机制还解决了跨平台的口径统一。以前各渠道各说各话，容易前后矛盾被抓包。现在所有对外口径从同一个知识库生成，智能体只负责分发和跟踪，一致性有了保证。有次同一事件在三个平台发酵，我们半小时发出统一声明，没给外界留出解读空间，舆论场最怕的就是空窗期。

五、可复用经验总结

舆情监测最怕发现晚，多平台采集加实时预警是地基，但情感模型不能全信，领域词典加人工复核这层保险我们交过学费才装上。任务分派要按危机类型匹配专长，轮询式派单只会派给最外行的那个。口径必须统一，多渠道各说各话比不回应还糟，话术库这步省不得。短视频噪声大，情绪乘速度的过滤才拦得住真危机。说到底，危机响应拼的不是速度快，是别在最容易漏的地方漏，高危一定有人盯，这条红线守住了，大部分事故就拦在萌芽。