DeepSeek 不提供开箱即用的情感分析接口，需通过严格 prompt 工程将其约束为三分类器：设 temperature=0.0、max_tokens=10、system 指令限定输出 positive/negative/neutral，配合中文 few-shot 示例与白名单校验；若需置信度、细粒度情绪或高吞吐，则应改用专用模型。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
DeepSeek 本身不提供开箱即用的情感分析接口，也不是专为分类任务设计的模型。直接调用 deepseek-chat API 做情感打标，大概率返回自由文本而非结构化标签——这不是模型坏了，是你没把它“锁进分类器模式”。
为什么 temperature=0.0 是硬性要求
temperature 控制输出随机性。设为高于 0（比如 0.3），同一句话多次请求可能得到 positive、中性、甚至“我觉得这评价挺矛盾的”——完全不可控。
- 必须设
temperature=0.0，否则无法做批量结果校验 -
top_p可设为1.0（不剪枝），避免因采样丢掉唯一合法词 -
max_tokens=10足够输出一个单词，设太大反而容易被截断在中间（比如只返回neu）
示例请求体片段：
{
"model": "deepseek-chat",
"messages": [{"role": "system", "content": "你是一个严格的情感分类器。只输出以下三个词之一：positive、negative、neutral。不加解释，不加标点，不换行。"},
{"role": "user", "content": "示例1:'太赞了！' → positive\n示例2:'垃圾，别买。' → negative\n待分类:'还行吧，没什么特别的。'"}],
"temperature": 0.0,
"max_tokens": 10
}
few-shot 示例必须紧贴中文语境
英文 prompt 里写 “good” → positive，对中文无效。“还行”“凑合”“马马虎虎”在中文里倾向 neutral，但模型若没见过这类样本，容易误判为 positive。
- 每个 few-shot 示例必须是真实中文短句，且覆盖边界 case：
- “客服态度一般” →
neutral - “包装简陋得像地摊货” →
negative - “比预期好太多” →
positive
- “客服态度一般” →
- 示例数量控制在 2–3 条，再多会挤占待分析文本的上下文空间
- 所有示例用
\n分隔，结尾不加空行，避免模型多输出一个换行
别依赖“自动理解”，deepseek-chat 不会主动归纳规则——它只复现你给它的 pattern。
统一LLM网关 - 一个API对接70+AI模型，使用单一API密钥即可调用GPT、Claude、Gemini、Qwen、Deepseek、Grok等主流模型。
后处理必须做白名单校验
API 返回内容看着像 "neutral"，但实际可能是：" neutral "、"Neutral"、"neutral."、甚至 "neutral\n"。
- 响应拿到后，先
.strip()，再强制转小写 - 用
in ["positive", "negative", "neutral"]白名单判断 - 不匹配就视为失败，不能靠正则模糊提取（比如
re.search(r"(pos|neg|neu)", text)），那会把“负面情绪”错标成negative
更稳妥的做法是：对失败样本记录原始响应，人工抽检前 10 条，看是 prompt 不够强，还是某类句式系统性失效。
什么时候该放弃 DeepSeek 改用专用模型
如果你需要：
- 输出带置信度（如 0.92）或细粒度情绪（愤怒/失望/惊喜）
- 处理含反语、隐喻、方言的文本（如“可真行，bug 多得能养鱼”）
- 每秒处理上千条评论（
deepseek-chatAPI 有频控，且生成延迟高）
那就别硬扛。直接切到 cardiffnlp/twitter-roberta-base-sentiment-latest 或本地跑 SnowNLP。前者在中文电商评论上 F1 超 0.85，后者单核每秒能跑 300+ 句，且输出就是 -0.32 这种确定数值。
用 deepseek-chat 做情感分析，本质是拿一个重型卡车拉快递——能跑，但油耗高、转弯难、还得自己焊车厢。真要上量或求稳，别省那点 prompt 工程时间。
