20分钟用Prompt搭建NLP系统！无需微调BERT

告别 BERT 微调：用 Prompt 快速构建 NLP 系统，20 分钟即可落地

实测效果一览

以下是一条真实用户评论的原始文本，我们对其执行了 5 个典型的 NLP 任务，结果直接展示：

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。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！"

五个 Prompt，五组输出，全部秒级响应：

从构思到产出仅需 20 分钟，无需训练、标注或 GPU 资源。

背景：传统 NLP 流程被彻底颠覆

过去做 NLP，几乎绕不开这套工序——收集数据、人工标注、选择模型、训练调参、部署上线，一套走完至少一周。

收集数据(3天) → 标注数据(3天) → 选模型(1天) → 训练(2天) → 调参(2天) → 部署(1天)

每个任务都要独立维护一个模型——情感分析一个、实体提取一个、文本摘要又一个。光是想想就让人头大。

而现在，大语言模型直接把这条路掀翻了。

原因很直接：LLM 在预训练阶段已经"消化"了几乎所有互联网文本。你不需要再教它"什么是情感"，只需要用 Prompt 唤醒它已经内化的知识。

这就像——你不需要重新造个计算器，你只需要学会按哪些按钮。这个类比能帮你快速抓住核心。

核心原理：Prompt 为何有效？

很多人写 Prompt 全凭直觉，但我建议先理解背后的机制，否则写出来的 Prompt 经常不稳定。

Prompt 的本质是什么？

Prompt 本质上是在激活 LLM 内部特定的知识回路。

当你写下"判断这段评论的情感"时，LLM 内部会依次激活：

1. 语言理解模块 → 解析中文语义
2. 情感识别模块 → 判别正向/负向
3. 格式生成模块 → 按指定结构输出

当你写下"提取商品名称和品牌"时，LLM 会触发：

1. NER（命名实体识别）模块
2. 属性分类模块
3. 结构化输出模块

优秀的 Prompt = 精准定位 + 清晰指令 + 明确格式。

为什么 LLM 能处理这么多任务？

因为 LLM 是"通用任务求解器"，而非"专用任务模型"。

BERT 训练时只学习了"做完形填空"这一个任务。而 GPT 训练时学习的是"预测下一个词"，结果发现——预测得足够准之后，它自然就学会了翻译、摘要、问答、情感分析……所有任务。

这就是"涌现能力"（Emergent Abilities）：当模型规模达到临界点，它突然就能做你从未专门训练过的事情。听起来不可思议，但确实正在发生。

技术栈：简单到超乎想象

整个项目仅依赖两个库：

npm install openai dotenv

nlp-demo/
├── .env              # API 密钥配置
├── client.mjs        # LLM 客户端初始化
├── completion.mjs    # 通用调用封装
└── main.mjs          # 入口 + NLP 任务演示

客户端配置：三行代码搞定

// client.mjs
import { OpenAI } from 'openai';
import dotenv from 'dotenv';dotenv.config();const client = new OpenAI({
  apiKey: process.env.LLM_API_KEY,
  baseURL: process.env.LLM_BASE_URL  // 切换模型只需修改此处
});export default client;

关键点：所有兼容 OpenAI 接口的 LLM（DeepSeek、Claude、千问、GLM……）都能直接复用这套代码。只需更换 baseURL，一行业务代码都不用改。兼容性极强。

通用调用函数：一个入口，所有任务复用

// completion.mjs
import client from './client.mjs';export async function getCompletion(prompt) {
  const response = await client.chat.completions.create({
    model: process.env.LLM_MODEL,
    messages: [{ role: 'user', content: prompt }]
  });
  return response.choices[0].message.content;
}

传入 Prompt，直接返回 LLM 的文本响应。后续所有 NLP 任务全部通过这个统一接口完成。

实战：5 个任务，5 段 Prompt

任务一：情感分析

核心 Prompt 技巧：严格限定输出格式

const prompt = `
以下用三个反引号分隔的产品评论的情感是什么？
用一个单词回答：正面 或 负面 或 中性
评论文本：```${review}```
`;await getCompletion(prompt);  // → 正面

"用一个单词回答"——这六个字是精髓。不加这句，LLM 会输出一篇两三百字的分析报告，你还得写正则去清洗。加上这句，直接拿到干净结果。干净利落。

任务二：愤怒检测

核心 Prompt 技巧：二分类简化为是/否

const prompt = `
以下用三个反引号分隔的产品评论是否表达了愤怒？
给出是或否的答案。
评论文本：```${review}```
`;await getCompletion(prompt);  // → 否

Prompt 越简洁，输出越稳定。 二分类任务不需要复杂描述，问清楚就行。别搞那些花里胡哨的框架。

任务三：信息提取（结构化输出）

这是 Prompt 最强悍的用法——从自由文本中精准抽取结构化数据：

const prompt = `
从评论文本中识别以下项目：
- 评论者购买的商品
- 制造该物品的公司评论文本用三个反引号分隔。
将响应格式化为以"product"和"brand"为键的 JSON 对象。
如果信息不存在，请使用"未知"作为值。
评论文本：```${review}```
`;await getCompletion(prompt);
// → { "product": "卧室灯（带储物功能）", "brand": "Lumina" }

两个关键操作：

1. 明确指定 JSON 的 key 名 → 下游代码直接 JSON.parse() 即可消费
2. 用"未知"兜底缺失信息 → 避免因 LLM 找不到字段而输出 null 或报错

任务四：多维度一次性提取

传统方案需要三个独立模型，而我们的 Prompt 方案只需一次调用：

const prompt = `
从评论文本中识别以下项目：
- 情绪（正面或负面）
- 是否表达了愤怒？（是或否）
- 评论者购买的商品
- 制造该物品的公司评论用三个反引号分隔。
将响应格式化为 JSON 对象，以"sentiment"、"anger"、"product"、"brand"为键。
如果信息不存在，请使用"未知"作为值。
让你的回复尽可能简短。
将 anger 值格式化为布尔值。
评论文本：```${review}```
`;await getCompletion(prompt);
// → { "sentiment": "正面", "anger": false, "product": "卧室灯", "brand": "Lumina" }

一次 API 调取，四个维度同时返回。 anger 要求布尔值而非字符串，拿到就能直接写 if 条件判断。这才是真正的效率提升。

任务五：主题推断

核心 Prompt 技巧：约束输出数量与粒度

const prompt = `
确定以下给定文本中讨论的五个主题。
每个主题用一到两个中文单词概括。
输出时用逗号分隔。
给定文本：${story}
`;await getCompletion(prompt);
// → 政府调查, 员工满意度, NASA, 社会保障管理局, 工作改善

限定了"五个"和"一到两个中文单词"——没有这些约束，LLM 可能输出二十个主题，每个还是一整段话。设定好边界，才能拿到可控的结果。

批量处理：一条评论是 Demo，一万条才是生产

import { getCompletion } from "./completion.mjs";const reviews = [
  `这个熊猫公仔是我给女儿的生日礼物，她很喜欢，去哪都带着。
   公仔很软，超级可爱，但是相比于价钱来说，它有点小。`,
  `这款卧室灯有额外的存储空间，价格也不太高。运输过程中灯绳断了，
   但公司很乐意寄送了一个新的。客服态度非常好。`,
  `电动牙刷的电池续航令人印象深刻。但刷头实在太小了。
   如果能以50美元购入，那它就物超所值。`,
  `11月以$49的优惠价买的搅拌机，12月就涨到了$89。
   一年后电机开始发出可疑的声音。整体质量在下滑。`
];for (let review of reviews) {
  const prompt = `
    你的任务是从电子商务网站上的产品评论中提取相关信息。
    请对三个反引号之间的评论文本进行概括，最多20个字符。
    评论文本：```${review}```
  `;
  console.log(await getCompletion(prompt));
}

输出：

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，只需调整 Prompt 的聚焦点——比如"聚焦在产品运输上"或"聚焦在价格与质量上"——就能生成不同维度的摘要。一个模型，N 种视角。 这才是 Prompt 方案的核心优势。

三个 Prompt 写的核心铁律

经过大量实践，总结出三条最原则性的规则：

铁律一：用分隔符隔开指令和数据

//  反引号分隔，边界清晰
评论文本：```${review}```//  没有分隔符，LLM 可能把指令也当成评论内容
评论文本：${review}

不分隔，LLM 有时会将你的指令作为评论的一部分进行分析，输出让人摸不着头脑的结果。

铁律二：明确指定输出格式

//  JSON + 指定 key

格式化为 JSON 对象，以"product"和"brand"