先看效果

我拿这篇产品评论跑了多个 NLP 任务：

原始评论："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。按理说，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！"

5 个 Prompt，5 个结果，全部秒回：

只用了 20 分钟写完所有 Prompt，省掉了标注、训练、GPU 费用。

背景的观点是，这条路为什么被掀翻了

• 数据标注耗时 3 天+：人工标注成本高、质量难保。不过，
• 模型选型 & 调参需要专业工程师：每个任务都要单独训练。周期长，
• 部署与维护成本大：上线前后要监控、扩容、升级。
• SLA 要求高却只能交付慢：业务需求快速迭代受限。

过去几年常规流程是：

收集数据 → 标注数据 → 选模型 → 训练 → 调参 → 部署

每个任务对应一个独立模型——情感分析一个。实体提取一个，文本摘要又一个。

但现在大语言模型把这条路掀翻了。

L​LM 在预训练阶段已经“见过”几乎所有互联网文本。你不需要再教它“什么是情感”，只要用 Prompt 把它已有的知识唤醒即可。

This is like: you don’t need to build a new calculator;you just need to know which buttons to press.

主要原理的观点是，Prompt 为什么有效？不过，

P​rompt 本质上是在激活 LLM 内部的特定知识回路。

A. 当你写 “判断这段评论的情感” 时LLM 会激活：

1. 语言理解模块 → 读懂中文；
2. 情感识别模块 → 判断正向/负向；格式生成模块 → 输出指定格式。

   B. 当你写 “提取商品名称和品牌” 时LLM 会激活：

3. NNER模块；

   P​rompt = 精准定位 + 清晰指令 + 明确格式。

   为什么 LLM 能做这么多任务？

   L​LM 是“通用任务求解器”，而不是“专用任务模型”。BERT 只学会“填空”，GPT 学会“预测下一个词”。不过，当预测足够精准时它自然学会了翻译、摘要、问答、情感分析等所有任务——这就是简单讲的"涌现能力"。

   技术栈的观点是，简单到不好意思说

   npm install openai dotenv
   

   
   nlp-demo/
   ├── .env # API 密钥
   ├── client.mjs # LLM 客户端
   ├── completion.mjs # 通用调用函数
   └── main.mjs # 入口 + NLP 任务演示
   

   从客户端配置来看。三行搞定

   // client.mjs
   import { OpenAI } from 'openai';老实说，import dotenv from 'dotenv';dotenv.config;老实说，const client = new OpenAI({
   说到apiKey，process.env.LLM_API_KEY。baseURL: process.env.LLM_BASE_URL // 换 API 只需改这里
   });
   export default client;老实说，

   P​oint：C​ompatible with any OpenAI‑compatible service . Change one bseURL。switch model—no code changes.

   从通用调用函数来看，一个入口，所有任务复用

   // completion.mjs
   import client from './client.mjs';export async function getCompletion {
   const response = await client.chat.completions.create({
   从model来看。process.env.LLM_MODEL,messages:
   });return response.choices.message.content;}
   

   This single function powers every downstream NLP task.

   从实战来看。5 个任务，5 段 Prompt

   任务一这方面，情感分析

   
   用一个单词回答：正面 或 负面 或 中性。说到评论文本，\`\`\`${review}\`\`\``;await getCompletion;// → 正面
   

   "用一个单词回答" 是关键——避免 LLM 输出冗长解释，让后处理成本降到零。

   至于任务二，愤怒检测

   
   const prompt = `以下用三个反引号分隔的产品评论是否表达了愤怒？请直接给出 “是” 或 “否”。说到评论文本，\`\`\`${review}\`\`\``;await getCompletion;// → 否
   

   从任务三来看，信息提取

   
   const prompt = `从评论文本中识别以下项目：
   - 商品名称
   - 制造公司
   请将响应格式化为 JSON。如果信息不存在请使用 "未知"。老实说，再看评论文本，\`\`\`${review}\`\`\``;不过，await getCompletion;按理说，// → { "product": "卧室灯","brand": "Lumina" }
   

   从任务四来看。多维度一次性提取

   
   const prompt = `从评论文本中识别以下项目：
   - 情绪 ：正面 / 负面 / 中性
   - 是否愤怒 ：true / false
   - 商品
   - 品牌
   请将响应格式化为 JSON，并确保 anger 为布尔值。评论文本的观点是，\`\`\`${review}\`\`\``;await getCompletion;// → { "sentiment":"正面","anger":false,"product":"卧室灯"。"brand":"Lumina"}
   
   Task Five ：主题推断
   javascript
   const prompt=`确定以下给定文本中讨论的五个主题。每个主题使用一到两个中文单词概括，用逗号分隔。至于给定文本，${story}`;await getCompletion;//→ 客户服务,产品质量,配送问题,安装体验。公司形象
   
   批量处理 ：从 Demo 到生产
   javascript
   import {getCompletion} from "./completion.mjs";const reviews=;for{
   const prompt=`你的任务是从电子商务网站上的产品评论中提取相关信息。请对三个反引号之间的评论进行概括，不超过20字符。至于评论文本，\`\`\`${review}\`\`\``;console.log);}
   **输出示例**
   text
   熊猫公仔礼物，可爱但偏小
   卧室灯品质好，客服优
   电动牙刷续航强，性价比高
   搅拌机涨价快。质量下滑
   同一条评论，只要改 Prompt 的聚焦点，就能得到不同视角的摘要——**一个模型，多种切面**。