北京
每天早上手动翻看App评论、判断是不是Bug、再跑去Firebase核对崩溃数据——这套流程花了Ashish大约15分钟，遇到单日20多条评论时更是手忙脚乱。他干脆自己写了个命令行工具，把拉取评论、分类、关联崩溃、推送摘要的整套链路自动化，每月开销不到0.5美元。最近他又给这个叫AppPulse的工具塞进一个新能力：直接分析项目源码，找出哪几个文件触发了评论里提到的Bug，连需要改什么、改动难度都一并算好。
整套逻辑分两步走。第一版解决的是“分类和消化”的问题。工具会定时从Google Play和App Store拉取新评论，同时接上Firebase或Sentry的数据，然后把评论按10条一批喂给语言模型（可以用OpenAI的gpt-4o-mini，也支持Anthropic或本地运行的Ollama）进行分类。模型除了判断每条评论属于Bug、功能请求、崩溃还是纯表扬，还会顺手提取严重程度（critical/major/minor）、牵涉的关键词（比如“照片上传”“设置页面”）和受影响的功能模块。用批量调用的方式，一个API请求就能处理10条评论，这是成本能压到0.5美元/月的关键。
每天跑完，一个简洁的摘要就会出现在终端或Slack里：“今天新到12条评论：3条Bug（1条严重，大图上传时照片上传崩溃），2条功能请求，7条好评。那个严重Bug和本周已影响312名用户的Firebase崩溃完全吻合。”不再需要来回切换Play Console、Firebase和脑内分类，看一眼摘要就能决定今天该修哪个Bug。
技术栈干净得几乎没有额外负担：全工具仅一个Python命令行程序，用Click库搭建了 `apppulse run`、`apppulse reviews` 这样的命令。数据全部攒在本地一个SQLite数据库文件里，路径就是 `~/.apppulse/data.db`。界面渲染靠Rich库，表格、颜色、面板一目了然。没有服务器、没有云基础设施、没有Docker，一个 `pip install` 外加5分钟配置就能跑起来。
真正的变化在第二版。Ashish让AppPulse可以直接指向源代码目录，模型会结合评论里的Bug描述去检索代码，然后输出一份分析报告：具体是哪些文件引发了问题，需要做哪些改动，修复涉及的复杂度有多高。也就是说，从用户的一句“一上传照片App就闪退”，工具直接告诉开发者去哪个文件改哪段逻辑。整个分析链不再需要人工在评论和代码之间做脑力转译。
Ashish已经把代码放到了GitHub上（搜Mr-Ashish/AppPulse），全开源。如果你手头的App也攒了一堆凌晨冒出来的新评论，或许可以试试用这半个美元换掉每天那15分钟的不聚焦劳动。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
