摘要

传统机器学习中，情感分析、命名实体识别、主题分类等任务需要分别训练和部署多个模型，耗时耗力。而大语言模型（LLM）凭借其强大的推理能力，只需通过提示词就能快速完成这些任务。本文基于 OpenAI 官方课程，系统讲解如何使用 LLM 进行文本推理。你将学习：情感二分类（正面/负面）、多情绪识别、愤怒检测、商品与品牌提取、单提示多任务联合抽取、主题列表生成、零样本主题分类与新闻预警系统。所有代码均基于 gpt-3.5-turbo 模型。

适用人群 / 前置知识

适用人群：希望快速实现 NLP 任务的开发者、数据科学家、产品经理；对传统 ML 流程感到繁琐的学习者。
前置知识：了解 Python 基础；能调用 OpenAI API；知道什么是提示词即可。

引言：从“训练模型”到“编写提示”

在传统机器学习时代，如果你想做三件事——判断评论情感、提取商品名称、识别用户是否愤怒——你需要：

1. 收集三个带标签的数据集
2. 训练三个不同的模型（可能是朴素贝叶斯、LSTM、BERT 等）
3. 将三个模型分别部署到云端
4. 编写三个推理接口

这个过程至少需要几天到几周。而有了大语言模型，你只需要写几个提示词，甚至一个提示词，就能在几秒内完成所有任务。这就是 LLM 在“推理”任务上的革命性优势。

本文将带你从零开始，掌握 LLM 的推理能力，涵盖：

• 情感分类（正面/负面）
• 情绪识别（快乐、沮丧、愤怒等）
• 实体提取（商品名、品牌名）
• 多任务联合抽取（一次提示获取多个字段）
• 主题推断与零样本分类

环境准备

复用之前的辅助函数：

import openai
import os
from dotenv import load_dotenv, find_dotenv

_ = load_dotenv(find_dotenv())
openai.api_key = os.getenv('OPENAI_API_KEY')

def get_completion(prompt, model="gpt-3.5-turbo"):
    messages = [{"role": "user", "content": prompt}]
    response = openai.ChatCompletion.create(
        model=model,
        messages=messages,
        temperature=0,
    )
    return response.choices[0].message["content"]

案例数据：一条灯的产品评论

lamp_review = """
Needed a nice lamp for my bedroom, and this one had
additional storage and not too high of a price point.
Got it fast. The string to our lamp broke during the
transit and the company happily sent over a new one.
Came within a few days as well. It was easy to put
together. I had a missing part, so I contacted their
support and they very quickly got me the missing piece!
Lumina seems to me to be a great company that cares
about their customers and products!!
"""

任务一：情感分析（正面/负面）

最简单的推理：判断评论是正面还是负面。

prompt = f"""
以下产品评论的情感是什么？评论用三重反引号分隔。

评论：```{lamp_review}```
"""

response = get_completion(prompt)
print(response)
# 输出：该产品评论的情感是正面的。

如果你只想得到一个词（方便后处理）：

prompt = f"""
以下产品评论的情感是什么？用单个词回答，要么“positive”要么“negative”。

评论：```{lamp_review}```
"""

response = get_completion(prompt)
print(response)
# 输出：positive

任务二：情绪识别

除了整体情感，你可能还想知道客户表达了哪些具体情绪。

prompt = f"""
识别以下评论作者表达的情绪列表。最多包含五个项目。
将答案格式化为小写单词组成的列表，用逗号分隔。

评论：```{lamp_review}```
"""

response = get_completion(prompt)
print(response)
# 输出示例：satisfied, happy, grateful, relieved, content

任务三：愤怒检测

对于客户支持团队，快速识别愤怒的客户至关重要。

prompt = f"""
以下评论的作者是否表达了愤怒？用“yes”或“no”回答。

评论：```{lamp_review}```
"""

response = get_completion(prompt)
print(response)
# 输出：no

任务四：实体提取（商品与品牌）

提取结构化信息：购买的商品、生产公司。

prompt = f"""
从评论文本中识别以下项目：
- 购买的商品
- 生产该商品的公司

将答案格式化为 JSON 对象，键名为“Item”和“Brand”。
如果信息不存在，用“unknown”作为值。

评论：```{lamp_review}```
"""

response = get_completion(prompt)
print(response)
# 输出：{"Item": "lamp", "Brand": "Lumina"}

任务五：多任务联合抽取（一个提示搞定所有）

你不需要为每个任务单独调用模型。一个提示可以同时提取情感、愤怒标记、商品、品牌。

prompt = f"""
从评论文本中识别以下项目：
- 情感（positive 或 negative）
- 评论者是否表达愤怒（true 或 false）
- 购买的商品
- 生产该商品的公司

将答案格式化为 JSON 对象，键名为“Sentiment”、“Anger”、“Item”、“Brand”。
将 Anger 的值格式化为布尔值（true/false，不加引号）。

评论：```{lamp_review}```
"""

response = get_completion(prompt)
print(response)
# 输出示例：
# {
#   "Sentiment": "positive",
#   "Anger": false,
#   "Item": "lamp",
#   "Brand": "Lumina"
# }

这个 JSON 可以直接用 json.loads() 解析为 Python 字典，非常方便。

任务六：主题推断（从新闻文章中提取主题）

假设我们有一篇关于政府员工满意度调查的虚构新闻文章（代码中的 story 变量，内容提及 NASA、社会保障局等）。我们可以要求模型总结出 5 个主题。

prompt = f"""
确定以下文本中讨论的五个主题，文本用三重反引号分隔。
每个主题为一到两个词长。
将答案格式化为逗号分隔的列表。

文本：```{story}```
"""

response = get_completion(prompt)
print(response)
# 输出示例：government survey, job satisfaction, NASA, Social Security Administration, employee morale

你可以用 response.split(‘,’) 将其转换为 Python 列表。

任务七：零样本主题分类与新闻预警

假设你的新闻网站只追踪固定的几个主题：[“NASA”, “local government”, “engineering”, “employee satisfaction”, “federal government”]。你想判断一篇新文章覆盖了哪些主题。

topic_list = [“NASA”, “local government”, “engineering”, “employee satisfaction”, “federal government”]

prompt = f"""
判断以下主题列表中的每一项是否是下面文本（用三重反引号分隔）中讨论的主题。
给出答案格式为“主题: 0 或 1”，每行一个。

主题列表：{', '.join(topic_list)}

文本：```{story}```
"""

response = get_completion(prompt)
print(response)
# 输出示例：
# NASA: 1
# local government: 0
# engineering: 0
# employee satisfaction: 1
# federal government: 1

解析响应并创建预警：

topic_dict = {}
for line in response.split('\n'):
    if ': ' in line:
        key, val = line.split(': ')
        topic_dict[key] = int(val)

if topic_dict.get("NASA", 0) == 1:
    print("ALERT: New NASA story!")

注意：上面这个解析方式依赖于模型输出的固定格式。在生产环境中，更推荐要求模型输出 JSON，这样解析更稳健。

常见问题与注意事项

1. 输出格式不稳定的问题：模型可能有时输出“positive”，有时输出“Positive”，有时输出“The sentiment is
positive”。解决办法：在提示中明确指定格式（如“只输出一个词”），或使用 JSON 模式。
2. 布尔值格式：要求输出 true/false 时，明确说明“不要加引号”，否则模型可能输出字符串 “false”。
3. 零样本 vs 少样本：本文所有示例都是零样本（没有给任何示例）。如果模型表现不稳定，可以尝试在提示中加入一个示例（少样本）。
4. 推理与生成的界限：推理任务通常要求确定性输出，建议 temperature=0。生成任务（如写诗）才用较高temperature。
5. 多任务联合抽取的优势：减少 API 调用次数、降低延迟、节省成本。但提示会变长，需要测试是否依然准确。

扩展应用场景

• 客户工单分类：自动判断工单类型（退货、咨询、投诉）、紧急程度。
• 社交媒体监控：实时分析品牌提及的情感变化。
• 简历解析：从简历中提取姓名、技能、工作年限。
• 合同审查：提取关键条款、日期、责任方。

总结

推理任务	提示关键词	输出示例
情感二分类	sentiment … as a single word	positive
情绪列表	list of emotions	satisfied, happy, grateful
愤怒检测	expressing anger? yes or no	no
实体提取	identify Item and Brand as JSON	{“Item”: “lamp”, “Brand”: “Lumina”}
多任务联合	identify Sentiment, Anger, Item, Brand	完整 JSON
主题提取	determine five topics	NASA, job satisfaction, …
零样本分类	determine whether each topic is in text	NASA: 1

大语言模型的推理能力，让原本复杂的 NLP 任务变得像写一句话一样简单。你不需要再训练和部署多个模型，只需要掌握提示词的技巧，就能在几分钟内构建出实用的文本分析系统。

下一步，你可以尝试将自己的业务数据（用户反馈、客服对话、新闻文章）代入这些提示模板，看看模型能为你提取出哪些有价值的信息。下一篇文章我们将探讨“转换”能力——翻译、格式转换等，敬请期待！