别调 BERT 了：我用 Prompt 做了套 NLP 系统，20 分钟搞定

以前做 NLP = 收集数据 → 标注 → 训练 → 调参 → 部署 = 一周现在做 NLP = 写 Prompt = 20 分钟 这篇文章告诉你这套方案的核心原理、实战技巧、以及什么时候别用它。

先看效果

我拿这篇产品评论跑了 5 个 NLP 任务：

arduino 复制代码

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！"

5 个 Prompt，5 个结果，全部秒回：

任务	Prompt	结果
情感分析	"用一个单词回答：正面/负面/中性"	`正面`
愤怒检测	"给出是或否的答案"	`否`
信息提取	"格式化为 JSON，key 为 product/brand"	`{product: "卧室灯", brand: "Lumina"}`
多维度提取	"一次返回 4 个维度，布尔值格式"	`{sentiment: "正面", anger: false, ...}`
主题归纳	"5 个主题，1-2 个中文词"	`客户服务, 产品质量, 配送问题, 组装体验, 公司形象`

20 分钟写完，0 训练，0 标注，0 GPU。

背景：这条路为什么被掀翻了

过去几年，做 NLP 绕不开一条路：

scss 复制代码

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。

原因很简单：LLM 在预训练阶段已经"见过"了几乎所有互联网文本。你不需要再教它"什么是情感"，你只需要用 Prompt 把它已经会的知识唤醒。

这就像------你不需要重新造一个计算器，你只需要知道怎么按按钮。

核心原理：Prompt 为什么有效？

很多人写 Prompt 是凭感觉，但我建议先理解背后的逻辑。

Prompt 的本质是什么？

Prompt 本质上是在激活 LLM 内部的特定知识回路。

当你写"判断这段评论的情感"时，LLM 内部会激活：

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

当你写"提取商品名称和品牌"时，LLM 会激活：

NER（命名实体识别）模块
属性分类模块
结构化输出模块

好的 Prompt = 精准定位 + 清晰指令 + 明确格式。

为什么 LLM 能做这么多任务？

因为 LLM 是"通用任务求解器"，而不是"专用任务模型"。

BERT 训练时，只学习"做完形填空"这一个任务。 GPT 训练时，学习"预测下一个词"这个任务，然后发现------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）：当模型大到一定程度，它突然就能做你没专门训练过的事情。

技术栈：简单到不好意思说

整个项目只有两个依赖：

bash 复制代码

npm install openai dotenv

javascript 复制代码

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

客户端配置：三行搞定

javascript 复制代码

// 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  // 换 API 只需改这里
});

export default client;

关键点 ：所有兼容 OpenAI 接口的 LLM（DeepSeek、Claude、千问、GLM......）都适用这套代码。换一个 baseURL，换一套模型，一行代码都不用改。

通用调用函数：一个入口，所有任务复用

javascript 复制代码

// 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，返回 LLM 的文本响应。后面所有 NLP 任务都从这个口子进去。

实战：5 个任务，5 段 Prompt

任务一：情感分析

核心 Prompt 技巧：限定输出格式

javascript 复制代码

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 会给你输出一段三百字的分析报告，你还得写正则去匹配。加上这六个字，直接拿到干净的结果。

任务二：愤怒检测

核心 Prompt 技巧：二分类简化

javascript 复制代码

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 越简单，LLM 的输出越稳定。 二分类任务不需要复杂描述，问清楚就行。

任务三：信息提取（结构化输出）

这是 Prompt 最强大的用法------从自由文本提取结构化数据：

javascript 复制代码

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：

指定 JSON 的 key 名 → 下游代码直接 JSON.parse() 就能用
用"未知"兜底缺失信息 → 不会因为 LLM 找不到品牌就输出 null 或报错

任务四：多维度一次性提取

传统方案：三个独立模型 → Prompt 方案：一个调用：

javascript 复制代码

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 调用，四个维度。 anger 要求布尔值而不是字符串，拿到就能直接写 if 判断。

任务五：主题推断

核心 Prompt 技巧：限制输出数量和格式

javascript 复制代码

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 可能给你输出二十个主题，每个还是一整句话。

批量处理：一条评论是 Demo，一万条才是生产

javascript 复制代码

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：

复制代码

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

同一个评论，改 Prompt 的聚焦点 ------"聚焦在产品运输上"、"聚焦在价格和质量上"------就能生成完全不同视角的摘要。一个模型，N 种切面。

三个 Prompt 写法的铁律

写了这么多 Prompt，总结出三条最核心的原则：

铁律一：用分隔符隔开指令和数据

javascript 复制代码

// ✅ 反引号分隔，边界清晰
评论文本：\`\`\`${review}\`\`\`

// ❌ 没有分隔符，LLM 可能把指令当内容
评论文本：${review}

不分隔，LLM 有时候会把你的指令当成评论的一部分来分析，输出莫名其妙的结果。

铁律二：明确指定输出格式

javascript 复制代码

// ✅ JSON + 指定 key，下游直接用
格式化为 JSON 对象，以"product"和"brand"为键

// ❌ 不指定格式，输出一大段话
提取商品和品牌信息

你要的是数据，不是散文。格式越明确，输出越可控。

铁律三：限制输出范围

javascript 复制代码

// ✅ 限定字数和数量
最多30个词汇，不超过5个项目

// ❌ 不加限制
提取情感

不加限制的 Prompt 就像不加 deadline 的需求------LLM 会给你交一份洋洋洒洒的毕业论文。

什么时候别用 Prompt 方案？

Prompt 方案不是银弹。这几个场景，乖乖回去调 BERT：

场景一：需要极高精度

LLM 的情感分析精度大概在 85%-95% ，对于大多数场景够用了。但如果你的业务场景要求 99%+ 的准确率（比如金融风控、医疗诊断），LLM 还是差点意思。

场景二：需要离线部署

LLM API 需要联网，响应延迟在 200-500ms 左右。如果你的场景要求 毫秒级响应 （比如实时风控）或者需要 完全离线运行（比如嵌入式设备），传统模型更合适。

场景三：数据敏感不能上云

金融、医疗、政务等场景，数据不能发送到第三方 API。这种情况私有化部署一套 BERT 或者微调一个小模型更稳妥。

场景四：成本考量

一条 LLM API 调用成本约 0.001-0.01 元 ，看起来不多，但如果每天处理 1000 万条评论 ，成本就是 1-10 万元/天 。对比之下，一个训练好的 BERT 模型，推理成本接近零。

两种方案对比

scss 复制代码

传统方案（BERT）：
标注数据(3天) → 训练模型(2天) → 调参(2天) → 部署(1天) = 8天
精度高，但启动成本大，适合固定场景

Prompt 方案（LLM）：
写 Prompt(5分钟) → 测试调优(10分钟) → 上线(5分钟) = 20分钟
精度略低（85-95%），但启动成本极低，适合快速迭代

结论：对于 80% 的通用 NLP 需求------情感分析、实体提取、文本摘要、主题归纳------Prompt 方案的性价比碾压一切。

以前需要算法工程师干一周的活儿，现在一个开发者写几行 Prompt 就能搞定。

写在最后

这个项目只有 4 个文件，核心代码不到 50 行，覆盖了 5 个 NLP 任务。

技术栈不重要。DeepSeek、OpenAI、Claude、随便哪个兼容 OpenAI 接口的服务都行。

重要的是思路的转变------从"训练模型解决问题"到"写 Prompt 解决问题"。

如果你也在做 NLP 相关的需求，别急着调 BERT。先写个 Prompt 跑一下。

大概率你会发现，以前花几周做的事情，现在一杯咖啡的功夫就搞定了。

💡 完整源码在这里：nlp-demo 觉得有帮助的话，点个赞 👍 收藏 ⭐，后续持续分享 AI 全栈实战。