6.2 让网页真的会分析文字

课时概要

把 6.1 装的两个库接进 /api/analyze：只改函数内部，路径/方法/请求体/返回字段一个不动。score 用 SnowNLP 真打分、pinyin 用 lazy_pinyin 真标注、label 自己从分数换算。前端一行没改——因为约定没变，内部随便换。顺带认清模型的边界和「小模型→大模型 API→本地部署」的谱系。

以上为 UP 主的 B 站官方简介，非观看笔记；只有跟完这一节才算自己的理解。

视频：【零到全栈】6.2-让网页真的会分析文字 ｜ 时长 16:07 ｜ 模块 6 · 生态、数据与状态

讲义：模块 6.2：让网页真的会分析文字（李勃老师.com）

本节要点

• 只动 analyze 函数内部：接口约定（路径/方法/请求体/返回字段）一个不动。
• score = round(SnowNLP(text).sentiments, 2)；pinyin = " ".join(lazy_pinyin(text, style=Style.TONE))。
• label 没有现成函数，得自己从 score 换算：score_label() 里 ≥0.6 积极、≤0.4 消极、中间中性——阈值是产品决定，不是标准答案。
• 为什么前端不用改：约定不变，内部随便换；哪怕换模型、换语言重写后端，前端都无感。
• 模型的边界：「今天下午三点开会」被判消极、「呵呵真棒」当积极——模型没有常识，只有训练时见过的世界。
• 小模型 ↔ 大模型 API ↔ 本地部署开源模型是一条连续谱系，按预算/隐私/精度选段；对项目来说都只是「再换一次芯」。

笔记正文（讲义整理）

换芯

from pypinyin import lazy_pinyin, Style
from snownlp import SnowNLP
 
def score_label(score):
    if score >= 0.6:
        return "偏积极"
    elif score <= 0.4:
        return "偏消极"
    else:
        return "中性"
 
@app.post("/api/analyze")
def analyze(req: AnalyzeRequest):
    text = req.text
    score = round(SnowNLP(text).sentiments, 2)          # 真模型打分
    return {
        "text": text,
        "score": score,
        "label": score_label(score),                    # 数字→结论，自己换算
        "pinyin": " ".join(lazy_pinyin(text, style=Style.TONE)),  # 真拼音带声调
    }

实测：「我特别喜欢这部电影」0.95 偏积极；「太失望了」0.00 偏消极。逗号会原样留在拼音里（lazy_pinyin 只译汉字），正常。

为什么前端一行没改

路径还是 /api/analyze、POST、请求体 {"text":...}、返回四字段——约定没变，变的只是约定背后的实现。/docs 文档也纹丝没动。哪怕用 Java 重写后端，只要约定不变，前端无感。

模型的边界

snownlp 是在商品评论语料上训的，擅长「像评论的句子」。模型没有常识，只有训练时见过的世界——用之前先弄清它哪里不准，比迷信分数重要。大模型也一样，只是边界更远更隐蔽（幻觉）。

小模型 ↔ 大模型谱系

再远一步：开源大模型权重公开，可本地部署（1.5B/7B/70B…越大越聪明越吃显卡）。没有绝对的好，只有合不合适。教学项目用免费快离线的本地库完全够；真做产品按预算/隐私/精度选段——对项目来说都是再换一次芯。

和 GFG / 课程笔记的连接

这节是你第一次把 GFG 里学的函数/条件分支写成产品逻辑——阈值 0.6/0.4 不是知识点，是你拍板的产品决定。

关键概念

• 换芯：只改接口内部实现，不动对外约定。
• score_label：把模型给的数字分换算成人能读的结论；阈值是产品决定。
• 模型边界：模型只懂训练语料里的分布，中性句/反讽会翻车。
• 本地部署 / 私有化部署：把开源大模型权重下载到自己机器跑。
• 参数尺寸：1.5B/7B/70B（B=十亿），越大越聪明越吃资源。

代码 / 实操

# backend/main.py
from pypinyin import lazy_pinyin, Style
from snownlp import SnowNLP
 
def score_label(score):
    if score >= 0.6: return "偏积极"
    elif score <= 0.4: return "偏消极"
    else: return "中性"
 
# analyze 里：
#   score = round(SnowNLP(text).sentiments, 2)
#   "label": score_label(score)
#   "pinyin": " ".join(lazy_pinyin(text, style=Style.TONE))

我的收获

1. 「约定不变，内部随便换」今天从理论变成亲身体会——前端一行没动，能力全换了。
2. label 的阈值不是科学是产品决定：分数模型给，「多少算积极」我说了算。
3. 模型会翻车不奇怪，知道它在哪翻车比迷信分数重要；这条对大模型也成立。

待深入

（待填：没听懂、想回头查的。）