批量分类与打标签入门不难，难的是在复杂任务里稳定发挥。理解原理是关键：类别标准写清楚后，AI 能像一位耐心的助理那样逐条判断，并且对“同一个意思的不同说法”有较好的理解，这是简单关键词规则难以做到的。

分类质量的上限取决于类别定义。很多分类结果混乱，并不是 AI 判断能力不够，而是类别本身有重叠或边界模糊。好的类别体系应该满足两点：任意一条数据都能找到归属，且只有一个最合适的归属（多标签任务除外）。

技巧 1：要求附上判断理由

要求附上判断理由，抽查时能快速发现标准理解偏差。这一条在团队协作中尤其有用。

技巧 2：对边界模糊的案例

对边界模糊的案例，单独做成少样本示例放进提示词。适合在任务较复杂或要反复使用时采用。

技巧 3：大批量数据可以用表格工具配合 AI 插件或接口分批处理

大批量数据可以用表格工具配合 AI 插件或接口分批处理。这一条在团队协作中尤其有用。

技巧 4：分类后让 AI 从每个类别中挑出最有代表性的三条原话

分类后让 AI 从每个类别中挑出最有代表性的三条原话，适合写汇报。做到这一点，结果的稳定性会明显提高。

技巧 5：定期复核类别体系

定期复核类别体系，新出现的问题类型要及时补充。这能帮你更快定位问题出在哪个环节。

一个进阶场景

举个虚构的例子：一家电商店铺每月收到几百条评价。店主让 AI 按“质量、物流、包装、客服、价格”五类打标签，并判断情绪。统计后发现“包装”类负面评价集中在某个款式，原来是包装盒尺寸不合适导致商品磕碰，换了包装后同类差评明显减少。

类别该由谁定？ 建议由熟悉业务的人确定，也可以先让 AI 根据样本建议类别，再人工调整。

进阶模板

下面的模板综合了以上技巧，可以按法务等不同场景替换内容：

任务：多标签分类 + 情绪判断
对每条文本输出一行：序号<TAB>主题标签(可多选，用/分隔)<TAB>情绪(正面/中性/负面)<TAB>是否需要人工跟进(是/否)
主题标签可选：价格 / 质量 / 物流 / 服务 / 功能 / 其他
“需要人工跟进”的标准：负面情绪 且 提到具体订单或损失。
最后统计每个标签出现的次数，按从多到少排序。

进阶使用时仍要避免

  • ✗ 类别体系频繁变化。 ✓ 先在小样本上定好类别，再批量处理，否则前后结果无法比较。
  • ✗ 只看统计结果不抽查。 ✓ 每个类别抽几条看看，判断标准是否被正确执行。

可以组合的技能

  • 少样本提示：少样本提示是在提示词里放两三个“输入→理想输出”的示例，让 AI 照着示例的格式、长度和风格处理新的输入。
  • 信息抽取：信息抽取是让 AI 从非结构化的文字中找出特定信息，例如从合同中提取金额和期限，从聊天记录中提取待办事项，从简历中提取工作经历。

衡量是否真的进步

一个简单的标准：同类任务需要的修改轮次是否减少，结果是否更稳定。如果答案是肯定的，说明你的批量分类打标已经进阶；如果没有，回到基础步骤检查哪里写得不够具体。

相关阅读