大模型实战从入门到精通：本地LLM情感分析保姆级教程，收藏这一篇就够了！

关注

原创最新推荐文章于 2026-07-13 09:39:36 发布 988 阅读 AI 写同款· GEO 优化 ›

如何构建AI大模型进行情感分析与挖掘 1.背景介绍 情感分析（Sentiment Analysis）是一种自然语言处理（NLP）技术，旨在从文本数据中识别和分析人们的情感态度。随着人工智能（AI）技术的发展，情感分析已经成为一种重要的应用领域，具有广泛的实际应用价值，例如社交网络、电子商务、广告推荐等。在过去的几年里，情感分析技术已经取得了显著的进展。早期的情感分析方法主要阅读详情

• 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。

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”。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～