传统机器学习处理文本分析任务如情感分析、实体提取需经历繁琐的数据收集、模型训练与部署流程且各项任务需独立模型。而大语言模型只需编写Prompt即可直接输出结果极大简化了开发流程允许仅凭单一模型和API高效完成多种任务显著提升应用开发速度。通过“台灯评论”和“政府调查新闻”两个案例展示了推理的四大核心能力1.识别情感类型判断评论的情绪倾向甚至可以细化到具体的情绪类型。lamp_review_zh 我需要一盏漂亮的卧室灯这款灯具有额外的储物功能价格也不算太高。\ 我很快就收到了它。在运输过程中我们的灯绳断了但是公司很乐意寄送了一个新的。\ 几天后就收到了。这款灯很容易组装。我发现少了一个零件于是联系了他们的客服他们很快就给我寄来了缺失的零件\ 在我看来Lumina 是一家非常关心顾客和产品的优秀公司 基础情感分类判断是“正面”还是“负面”。Prompt用一个单词回答「正面」或「负面」。-输出正面。特定情绪识别愤怒检测判断客户是否生气用于触发紧急客服介入。Prompt“评论作者是否表达了愤怒回答是或否。” -输出否。情绪列表提取具体的情绪词。Prompt“识别作者表达的情绪列表不超过5项。” -输出满意、感激、印象深刻。例如#其中prompt的内容可根据自己的需求进行修改 prompt f 识别以下评论的作者表达的情感。包含不超过五个项目。将答案格式化为以逗号分隔的单词列表。 评论文本: {lamp_review_zh} response get_completion(prompt) print(response)结果满意,感激,信任,赞扬,愉快2. 信息提取从非结构化文本中提取结构化数据如产品名称、品牌、具体数值。提取实体Prompt“识别购买物品和制造公司。”输出物品是“lamp with storage”品牌是“Lumina”。格式化输出JSON这是推理的高级用法。可以要求模型将提取的信息直接变成代码可读的 JSON 格式。Prompt“将响应格式化为 JSON 对象键为 Item 和 Brand。”输出{ 物品: 卧室灯, 品牌: Lumina }prompt f 从评论文本中识别以下项目 - 评论者购买的物品 - 制造该物品的公司 评论文本用三个反引号分隔。将你的响应格式化为以 “物品” 和 “品牌” 为键的 JSON 对象。 如果信息不存在请使用 “未知” 作为值。 让你的回应尽可能简短。 评论文本: {lamp_review_zh} response get_completion(prompt) print(response)3. 综合推理多任务合一不需要为每个任务写一个 Prompt可以一次性让模型完成所有分析。示例 Promptprompt f 从评论文本中识别以下项目 - 情绪正面或负面 - 审稿人是否表达了愤怒是或否 - 评论者购买的物品 - 制造该物品的公司 评论用三个反引号分隔。将您的响应格式化为 JSON 对象以 “Sentiment”、“Anger”、“Item” 和 “Brand” 作为键。 如果信息不存在请使用 “未知” 作为值。 让你的回应尽可能简短。 将 Anger 值格式化为布尔值。 评论文本: {lamp_review_zh} response get_completion(prompt) print(response)结果{ Sentiment: 正面, Anger: false, Item: 卧室灯, Brand: Lumina }4. 主题推断与新闻提醒分析长篇文章讨论了什么并根据预设列表进行匹配。story_zh 在政府最近进行的一项调查中要求公共部门的员工对他们所在部门的满意度进行评分。 调查结果显示NASA 是最受欢迎的部门满意度为 95。 一位 NASA 员工 John Smith 对这一发现发表了评论他表示 “我对 NASA 排名第一并不感到惊讶。这是一个与了不起的人们和令人难以置信的机会共事的好地方。我为成为这样一个创新组织的一员感到自豪。” NASA 的管理团队也对这一结果表示欢迎主管 Tom Johnson 表示 “我们很高兴听到我们的员工对 NASA 的工作感到满意。 我们拥有一支才华横溢、忠诚敬业的团队他们为实现我们的目标不懈努力看到他们的辛勤工作得到回报是太棒了。” 调查还显示社会保障管理局的满意度最低只有 45的员工表示他们对工作满意。 政府承诺解决调查中员工提出的问题并努力提高所有部门的工作满意度。 主题概括Prompt“确定文本中讨论的5个主题每个主题1-2个词。输出调查结果, NASA, 社会保障管理局, 员工满意度, 政府承诺prompt f 确定以下给定文本中讨论的五个主题。 每个主题用1-2个单词概括。 输出时用逗号分割每个主题。 给定文本: {story_zh} response get_completion(prompt) print(response)智能新闻提醒Zero-Shot 分类场景我有一个感兴趣的主题列表如 NASA、工程、地方政府我想知道这篇文章是否包含这些主题。Prompt“判断以下主题列表中哪些在文本中提到了用 0 或 1 表示。”逻辑如果NASA: 1则触发代码print(ALERT: New NASA story!)。prompt f 判断主题列表中的每一项是否是给定文本中的一个话题 以列表的形式给出答案每个主题用 0 或 1。 主题列表美国航空航天局、地方政府、工程、员工满意度、联邦政府 给定文本: {story_zh} response get_completion(prompt) print(response) topic_dict {i.split()[0]: int(i.split()[1]) for i in response.split(sep\n)} if topic_dict[美国航空航天局] 1: print(提醒: 关于美国航空航天局的新消息)总结Prompt 推理就是利用大模型的语义理解能力将杂乱的文本瞬间转化为结构化的数据如情感标签、JSON对象、关键词从而让计算机程序能够自动处理和分析这些信息。