如何用Few-shot学习构建情感分析AI（附完整代码拆解）

一、需求分析：我是如何思考的

某天，产品经理找到我说：“我们需要一个能判断用户情感倾向的功能，比如用户说‘你在干嘛’，能知道他是喜欢还是不喜欢。”

听到这个需求，我的第一反应不是马上写代码，而是问自己三个问题：

1. 问题的本质是什么？ → 文本二分类问题（喜欢/不喜欢）

2. 我有什么资源？ → 有少量标注数据，没有大规模训练集

3. 技术选型是什么？ → 大语言模型 + Few-shot学习

为什么选择Few-shot？因为传统机器学习需要大量标注数据，而深度学习模型训练成本高。利用大语言模型的上下文学习能力，只需给几个例子就能完成任务。

二、代码逐行拆解

第一步：肌肉记忆 - 初始化大模型客户端

python

from openai import OpenAI

llm = OpenAI(
    api_key="sk-b69a90cd85474c03b2309cf8d8554e94",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

设计思路：

• 使用OpenAI兼容接口，方便后续切换不同模型提供商

• 这里用了阿里云的通义千问（dashscope），因为国内访问更稳定

• 为什么叫“肌肉记忆”？因为这是我每次做大模型项目都会写的模板代码

第二步：构建Few-shot(少样本) 示例 - 核心创新点

python

def init_history_message():
    examples = {
        "喜欢": ["你在干嘛", "有没有空，出来玩"],
        "不喜欢": ["没空", "别来烦我"]
    }
    
    system_prompt = "你是一个情感专家，你需要根据用户输入的文本，判断用户的情感倾向，输出'喜欢'或'不喜欢'"
    history_message = [{"role": "system", "content": system_prompt}]
    
    for label, texts in examples.items():
        for text in texts:
            history_message.append({"role": "user", "content": text})  用户的问题
            history_message.append({"role": "assistant", "content": label}) ai的标准答案
    
    return history_message

上面这段for循环的目的是将例题转换为对话格式，让AI通过看"问题→答案"的对话示例，学会如何回答问题。

设计思路的关键点：

1. 为什么用字典存储示例？

   • 键是标签（喜欢/不喜欢），值是具体文本

   • 这种结构让我能直观地看到每个类别的示例

   • 方便后续增加更多类别或示例

2. 为什么要把示例放在system prompt之后？

   • System prompt定义角色和任务

   • Few-shot示例展示具体怎么做

   • 符合“先给规则，再给例子”的教学逻辑

3. 示例选择的艺术：

   • “你在干嘛” - 表面是询问，实则是关心（喜欢）

   • “没空” - 直接拒绝（不喜欢）

   • 选择了有代表性但不复杂的例子

第三步：模型调用 - 批量处理逻辑

python

def model_call(texts):
    for text in texts:
        res = llm.chat.completions.create(
            model='qwen-plus',
            messages=init_history_message() + [{"role": "user", "content": text}]
        )                   案例                      新题
        print(res.choices[0].message.content)

为什么这样设计：

1. 循环处理而非批量请求

   • 大模型的chat接口通常一次处理一个对话

   • 循环处理便于观察每个样本的输出

   • 方便后续添加错误处理逻辑

2. 动态拼接messages

   • 每次调用都重新获取history_message

   • 确保每个预测都有相同的Few-shot上下文

   • 避免多个样本之间的相互干扰

3. messages的构造顺序很重要：

   text

   system prompt → Few-shot示例（user-assistant对） → 当前要预测的文本

   这就像是：先告诉模型规则，再给几个例题，最后让它做新题。

第四步：主函数 - 测试用例

python

if __name__ == '__main__':
    texts = ['我们只是朋友', '你在干嘛', '我恨你']
    model_call(texts)

测试用例的选择逻辑：

• '我们只是朋友' - 委婉拒绝，介于喜欢和不喜欢之间

• '你在干嘛' - 已经在示例中，验证模型是否记住

• '我恨你' - 强烈负面情感，测试泛化能力

三、代码执行的完整流程

让我用思维导图的方式展示整个流程：

text

用户输入："我们只是朋友"
    ↓
构造messages = [
    {"role":"system","content":"你是情感专家..."},
    {"role":"user","content":"你在干嘛"},
    {"role":"assistant","content":"喜欢"},
    {"role":"user","content":"没空"},
    {"role":"assistant","content":"不喜欢"},
    {"role":"user","content":"我们只是朋友"}  ← 当前输入
]
    ↓
调用通义千问模型
    ↓
模型基于示例推理 → 输出"不喜欢"

以下是完整代码:

#第一步: ，默写模板(肌肉记忆)

# 模块1: 初始化函数
from openai import OpenAI

llm = OpenAI (
    api_key="sk-b69a90cd85474c03b2309cf8d8554e94",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)




def init_history_message():
    examples = {
               "喜欢": ["你在干嘛","有没有空，出来玩"],
               "不喜欢": ["没空","别来烦我"]
    }
    system_prompt = "你是一个情感专家，你需要根据用户输入的文本，判断用户的情感倾向，输出'喜欢'或'不喜欢'"
    history_message = [{"role":"system","content":system_prompt}]

    for label,texts in examples.items():
        for text in texts:
            history_message.append({"role":"user","content":text})
            history_message.append({"role":"assistant","content":label})
    return history_message

# 模块2 : 模型调用函数
def model_call(texts):
    for text in texts:
        res = llm.chat.completions.create(
            model = 'qwen-plus',
            messages = init_history_message()+ [{"role":"user","content": text }]
        )
        print(res.choices[0].message.content)

if __name__ == '__main__':
    texts = ['我们只是朋友', '你在干嘛', '我恨你']
    model_call(texts)

  恋爱需谨慎，爱情有风险！