前四篇，我们已经把一整套“大模型落地环境”铺好了：
- 用Ollama把开源大模型跑在本地
- 学会API 调用 + LLM 封装
- 把 AI 塞进VS Code + Remote SSH
- 尝试了更偏工程和性能的vLLM 推理框架
但这一步都会有一个真实的疑问：
“环境是搭好了，但它到底能帮我干什么？”
这一篇，我们不再讲部署、不讲参数、不讲框架对比，
只干一件事：
用本地大模型，真正做一次“能用的文本分析”。
而且是——
不训练模型、不开复杂 NLP 管线、小白也能直接复现的那种。
一、为什么用大模型做文本分析，真的很合适？
在传统 NLP 里，哪怕只是一个简单的“文本分类”，你也要：
- 分词
- 构造特征
- 准备标注数据
- 训练模型
- 调参、验证
对课程作业、毕设、小项目来说，这个成本其实很高。
而大模型改变了一件事：
它本身就已经“会读中文、懂情绪、会归纳”。
于是现在我们可以换一种思路：
- 不训练模型
- 不构造特征
- 直接告诉模型：“你要做什么，输出什么”
这就是Prompt = 分类器的思路。
二、我们要完成一个什么任务？
为了保证复现性和通用性，这一篇选一个最稳的任务组合：
文本情感分析（正 / 中 / 负）
支持 CSV 批量处理
你可以把它直接用在：
- 评论情感分析
- 问卷开放题
- 客服反馈
- 新闻情绪初筛
- 风险 / 舆情初步判断
示例文本
快点进吧，4 千点是起点再次见证历史 4000 点没意思啊，不放量就没有突破的意思，这样子的话下午还得下去部分目标输出：
| text | label |
|---|---|
| 快点进吧，4 千点是起点 | 中性 |
| 再次见证历史 4000 点 | 正性 |
| 没意思啊，不放量就没有突破的意思，这样子的话下午还得下去 | 负向 |
三、关键一步：写一个稳定、可复现的 Prompt
这一部分是全篇的核心。
一个好的 Prompt，比你换模型更重要。
推荐系统提示
你是一个中文文本分析助手。请判断下面文本的情感类别，只能从以下三类中选择一个：- 正向- 中性- 负向要求：1. 只输出分类结果，不要输出任何解释。2. 输出必须严格为以上三个标签之一。为什么这样写？
- 限定身份（文本分析助手）
- 限定标签集合
- 禁止解释（避免输出不稳定）
这一步可以显著提高一致性。
四、先来一次：用 Ollama 本地模型做单条分析
如果你已经按第一篇配置好了 Ollama，这一步可以直接跑。
4.1 本地调用示例（Python）
from ollama import chatSYSTEM_PROMPT = """你是一个中文文本分析助手。请判断下面文本的情感类别，只能从以下三类中选择一个：- 正向- 中性- 负向只输出分类结果。"""resp = chat( model="deepseek-r1:1.5b", messages=[ {"role": "system", "content": SYSTEM_PROMPT}, {"role": "user", "content": "再次见证历史 4000 点"} ])print(resp["message"]["content"])输出示例：
正向到这里，你已经完成了：
一个不训练的“文本情感分类器”。
五、真正有用的部分：CSV 批量处理
单条分析只是热身，真正有价值的是批量处理。
5.1 准备一个TXT/ CSV 文件
数据量较小，以texts.txt为例。
text虽然红了，感觉有点假，管住手啊再次见证历史 4000 点没意思啊，不放量就没有突破的意思，这样子的话下午还得下去快点进吧，4 千点是起点大小盘齐发力，才能站稳 4 千点，干爆空狗相信国运，坐等起飞跌就死命跌，涨就磨磨唧唧一点点涨，这市场谁玩？拉尾盘，明天低开 2 个点抢筹上车今天涨多少，明天还回来！快加仓，晚上让我看看你们的底牌赶紧拉起来啊，都快到点了跑吧高开低走，平开低走，低开低走，一路向下！老乡别走，我也要走了开盘赚一万三，收盘你不会连个零头都不给我剩吧该涨涨了…… 又一个 5 年…… 人生有多少个 5 年啊？年摸一下 4000 不为过吧5.2 批量标注代码（核心代码）
import pandas as pdfrom ollama import chatSYSTEM_PROMPT = """你是一个中文文本分析助手。请判断下面文本的情感类别，只能从以下三类中选择一个：- 正向- 中性- 负向只输出分类结果。"""defclassify(text): resp = chat( model="deepseek-r1:1.5b", messages=[ {"role": "system", "content": SYSTEM_PROMPT}, {"role": "user", "content": text} ] ) return resp["message"]["content"].strip()df = pd.read_csv("E:/C博士/课程/人工智能与大模型/lecture/lecture2_llm/lecture2_llm/comments.txt", header=None, names=["text"])df["label"] = df["text"].apply(classify)df.to_csv("labeled.csv", index=False, encoding="utf-8-sig")print(" 批量标注完成")运行结束后，你会得到labeled.csv：
text,label虽然红了，感觉有点假，管住手啊,负向再次见证历史 4000 点,正向没意思啊，不放量就没有突破的意思，这样子的话下午还得下去,正向🎉恭喜，你已经完成了一次“零训练的文本分析流程”。
当然，也可以调用API进行情感分析。参考第二篇大模型API调用。
六、那 vLLM 在这里有什么用？
如果你还记得第四篇，我们专门讲了 vLLM。
现在它的价值就很清楚了👇
Ollama 更适合：
- 单条 / 小批量
- 本地交互
- 原型验证
- 学生电脑
vLLM 更适合：
- CSV 上千 / 上万行
- 批量推理
- 长文本
- 服务器部署
- 多用户 / 多任务
一句话总结：
**第四篇解决“跑得起来”，
**第五篇开始解决“跑得多、跑得快”。
代码几乎不用改，只需要把后端从 Ollama 换成 vLLM 服务即可。
七、学生 / 项目 / 研究可以直接用在哪？
下面这几个方向，几乎都是现成选题：
- 📋 问卷开放题情感分析
- 🛒 商品 / App 评论分析
- 📰 新闻情绪或态度初筛
- ⚠️ 风险句子初步识别
- 📚 文献摘要与要点分类辅助
一句话定位：
大模型非常适合做“第一道文本处理工序”。
后面我会继续更新：大模型在工作/科研中的具体应用，包括代码模板、实战案例和踩坑记录。
如果你也在折腾本地大模型、API 调用或者 AI 编程工具，欢迎在评论区交流 👇
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
