Go无法直接用标准库做文本分类，需通过API调用Python模型服务或加载ONNX模型；推荐轻量场景用Go封装HTTP请求调用Python REST接口，严格对齐协议、编码与预处理细节。
Go 语言本身不内置 AI 模型训练或推理能力，net/http 和 encoding/json 可以调用外部模型服务，但无法直接用标准库做文本分类；真正可行的路径是：用 Go 做 API 封装 + 调用 Python 训练好的模型（如 ONNX/Triton）或托管在 Hugging Face Inference API / 自建 FastAPI 服务。
Go 调用 Python 模型服务（推荐轻量场景）
多数团队已有 Python 训练流程（scikit-learn / transformers），直接暴露 REST 接口比在 Go 里重写模型更可靠。Go 只需负责请求转发、预处理（如截断、编码）和结果解析。
-
http.Post发送 JSON 请求，body 包含text字段，例如：{"text": "这个产品太差了"} - 后端 Python 服务返回
{"label": "negative", "score": 0.92}，Go 用结构体解码：type ClassifyResp struct { Label string `json:"label"`; Score float64 `json:"score` } - 注意设置超时：
http.Client{Timeout: 5 * time.Second}，避免阻塞 goroutine - 若需批量分类，Python 服务应支持
POST /classify/batch接收数组，Go 侧用[]string构造 payload
Go 加载 ONNX 模型（需 cgo + onnxruntime）
想完全脱离 Python？可行但门槛高：需编译 onnxruntime C 库，再用 Go 的 gorgonia.org/onnx 或 github.com/owulveryck/onnx-go 加载。仅建议对延迟和部署环境有强约束的场景（如嵌入式边缘设备）。
Golang Uber Dig
下载
使用 uber-go/dig 在 Golang 中实现依赖注入——基于反射容器，提供 Provide/Invoke、dig.In/dig.Out 参数与结果对象，支持命名依赖等
- 必须手动处理 tokenizer —— Go 没有等效于
transformers.AutoTokenizer的成熟库，中文需自行实现 BERT 分词逻辑（或调用jieba-go+ 预置 vocab.txt 映射） - 输入 tensor 形状必须严格匹配模型期望，例如
[1, 128]（batch=1, seq_len=128），少一位或多一位都会触发onnxruntime: invalid input shape - 模型必须导出为 opset 12 或更低版本，新版 opset（如 17）中某些算子（
StringNormalizer）Go 绑定尚未支持 - 内存管理需谨慎：
ort.NewSession返回的 session 必须显式session.Close()，否则导致句柄泄漏
常见错误：JSON 解析失败或 label 字段为空
不是 Go 写错了，而是上下游协议没对齐。Python 服务返回的字段名大小写、嵌套层级、空值处理方式，直接影响 Go 的 struct tag 是否能正确绑定。
立即学习“go语言免费学习笔记（深入）”；
- 检查响应原始 body：
io.ReadAll(resp.Body)打印出来，确认是否含"label"还是"predicted_class" - 避免用
map[string]interface{}临时解析——它掩盖字段缺失问题，应定义明确 struct 并检查err - Python 侧若用
fastapi.responses.JSONResponse，确保content-type: application/json，Go 的json.Unmarshal对非 JSON MIME 类型会静默失败 - 中文文本未 UTF-8 编码（比如 GBK）会导致 Go 解析时
invalid character，Python 服务必须显式response.content.decode('utf-8')
真正难的从来不是 Go 怎么发 HTTP 请求，而是 tokenizer 与模型权重的版本一致性、服务间字符编码对齐、以及 ONNX 输入预处理的数值精度（float32 vs float64）。这些细节一旦错位，label 就是空的，或者准确率掉到随机水平。
