NLP 任务不需要机器学习，几行代码调用 API 就够了

一、NLP 的范式转移

几年前做情感分析或文本分类，流程是这样的：收集标注数据 → 特征工程 → 训练模型 → 调参 → 部署。完整走下来需要团队里有了解机器学习的人，周期以周计。

现在做同样的任务：写一个 Prompt，调一个 API，拿结果。

这不是简化，是范式转移------从训练模型变成了调用服务。底层仍然是机器学习，但对使用者来说，从"怎么训练"变成了"怎么描述任务"。

二、一个情感分析，三行代码

javascript 复制代码

const response = await fetch('https://api.example.com/v1/chat', {
  method: 'POST',
  headers: { 'Authorization': 'Bearer ' + apiKey },
  body: JSON.stringify({
    model: 'gpt-4',
    messages: [{
      role: 'user',
      content: `分析以下评论的情感倾向，只回复 positive、negative 或 neutral：
评论：${userComment}`
    }]
  })
});
const data = await response.json();

这条请求取代了以前一整套 NLP pipeline。模型理解了"情感倾向"的含义，理解了什么算 positive，什么算 negative。不需要训练数据，不需要特征工程。

三、更复杂的任务：提取 + 结构化

情感分析只是最简单的场景。稍微复杂一点的任务，比如从一段客服对话中提取关键信息，也可以用同样的方式：

javascript 复制代码

const prompt = `从以下客服对话中提取信息，返回 JSON：

{
  "customer_name": "客户姓名或 null",
  "issue_type": "问题类型（退货/换货/物流/其他）",
  "urgency": "紧急程度（high/medium/low）",
  "order_id": "订单号或 null"
}

对话：
${transcript}`;

关键在于指定了输出格式。JSON 化的输出让下游代码可以直接消费，不需要解析非结构化的文本。

四、什么时候该用 API，什么时候不该用

API 调用不是 NLP 的银弹。以下场景适合：

分类和情感分析：positive/negative、垃圾邮件检测、意图识别
信息提取：从非结构化文本中提取结构化数据
文本生成：摘要、润色、扩写
翻译和改写：跨语言、语气调整

不太适合的场景：

超大批量处理：API 调用的延迟和成本在百万级数据量上不可忽视
实时性要求极高：API 调用有网络延迟
敏感数据：文本不能离开本地网络时，本地小模型更安全

五、前端工程师的 AI 全栈能力

对前端工程师来说，这种范式转移意义尤其大。以前对接 NLP 能力需要后端配合搭建模型服务。现在前端可以直接调用 API，把 NLP 能力嵌入到浏览器端应用中------从用户输入到 AI 处理到结果展示，全部在客户端完成。

唯一的代价就是学会写 Prompt。而这个能力------用自然语言描述任务------恰好是技术写作和需求分析能力的延伸，不需要额外的专业背景。