当AI学会“猜词”：我用大模型做了一面情绪镜子

你有没有过这样的时刻：写了一大段日记，却说不清自己到底什么感受？

两个月前，我试着让大语言模型（LLM）做一件很小的事——从一段文字中，推测作者最可能的三种情绪，并给出概率。不是分析情感极性（积极/消极），而是更细腻的标签，比如“遗憾”“释然”“隐隐的不安”。

结果让我意外：它猜得比我自己还准。

为什么大模型能“读心”？

传统的情感分析，通常依赖关键词词典或分类器。但人类的情绪往往藏在语境和语气里：

“今天终于把房子退了，房东没扣押金。”

这句话单独看，可能是开心。但如果上文是“住了五年，孩子要转学了”，情绪就完全不同。大模型之所以擅长这件事，是因为它在海量文本中学会了 上下文关联，而不是死记硬背词语。

核心代码只有5行

我用的API是OpenAI风格的接口，但换了国内可用的开源模型（比如Qwen或GLM）。实际调用的核心逻辑极其简单：

response = client.chat.completions.create(
    model="qwen-turbo",
    messages=[{"role": "user", "content": f"分析以下文字的情绪，给出三种标签和概率：{text}"}]
)
print(response.choices[0].message.content)

就这么几句。真正的“智能”不在代码里，而在模型权重中——这恰好是当代AI开发的特点：业务逻辑让位于提示工程（Prompt Engineering）。

一个让我印象深刻的案例

我输入了一段朋友写的旅行随笔：

“站在山顶，风很大，云走得很快。我拍了张照，但没发给任何人。”

模型返回的结果是：

• 孤独感：47%
• 平静：33%
• 自我满足：20%

朋友看完愣了几秒，说：“我以为自己写的是风景，但它读出了我没写的那部分。”

这种能力能用来做什么？

除了个人日记分析，我已经把它集成到一个极简的“每日情绪看板”中——每天睡前写一句话，模型自动生成情绪标签，并绘制一周趋势图（前端用ECharts）。整个后端加上数据库存储，不到200行Python。

代码虽少，但有一个关键原则：永远不要把模型的原始输出直接当作决策依据。比如我不会用它来判断是否需要看心理医生，它只是一个“镜子”，而不是“医生”。

一点反思

大模型生成文章、分析情绪，门槛比想象中低。但真正值得关注的不是“它能做什么”，而是“我们是否愿意被它解读”。技术提供的是概率，而人的体验永远是唯一的。