如何用千问批量处理文本分类任务？
当我们需要对大量非结构化文本进行语义级分类——无论是用户反馈、客服对话，还是产品评论——最直接的想法，就是交给千问这样的模型统一处理。但问题来了：一条条手动输入太慢，模型输出又不够结构化，怎么办？其实，实现这个目标有五种非常成熟的技术路径，简单总结一下就是：API调用、本地向量化加分类器、规则驱动的流水线、APP端表格Agent，以及基于重排序模型的联合分类。下面逐个拆开来讲。
如果你手头已经有一堆非结构化的文本数据，希望让千问模型统一来做语义级分类，但发现单次交互只能逐条输入，输出也不够结构化，这通常是因为还没启用批量推理机制、没配置好合适的模型接口，或者输入格式还差点意思。下面这五种技术路径，能帮你搞定这件事。
一、调用通义千问 API 批量处理文本分类
这个思路最直接：通过HTTP请求，把文本列表批量丢给千问服务端，让模型一次性返回每条文本的预测类别和置信度。脚本一跑，全自动完成。它最适合已有结构化数据源（比如Excel、CSV）且需要程序化集成的场景。
具体操作分四步：
1. 准备好待分类文本列表，存成JSON格式，结构大概像这样：{"texts": ["物流太慢了", "产品质量很好", "客服态度差"]}。
2. 用curl或者Python的requests库，向千问API端点发POST请求，Header里记得带上有效的Authorization Token。
3. 在请求body里指定model参数，推荐用
qwen-plus
qwen-max
4. 收到响应后解析JSON，把label字段提取出来，写回本地CSV文件，批量标注就完成了。
二、使用 Qwen3-Embedding + 本地分类器联合建模
如果你对数据隐私比较敏感，或者需要离线运行、方便反复调参，那这个方案就更对路。它的核心思路是先拿Qwen3-Embedding把全部文本向量化，然后再接一个轻量级分类器（比如SVM、逻辑回归）来做批量预测。
具体步骤：
1. 下载并加载
Qwen3-Embedding-0.6B
2. 读取原始文本文件（比如feedbacks.txt），按行拆成文本列表，去掉空行和超长文本（超过2048字符的截掉或跳过）。
3. 调用 embedder.encode() 批量生成句向量，输出维度是 (N, 1024) 的numpy数组。
4. 加载之前训练好的SVM分类器（存成.pkl文件），调用 predict() 和 predict_proba()，拿到每条文本的标签和概率。
5. 把原始文本、预测标签、最高置信度三列合并成一个DataFrame，导出为
classified_output.xlsx
三、通过 OpenClaw 构建语义规则驱动的批量分类流水线
这个方法适合业务规则经常变动、需要人工可解释归因的场景。它把自然语言指令和声明式YAML规则结合起来，在OpenClaw框架里定义多层级的匹配逻辑，千问模型会动态扩展关键词和语义边界。
操作方式：
1. 编辑OpenClaw的技能配置文件 ~/.openclaw/skills/text-classifier/config.yaml，添加rules列表。
2. 定义一条规则，比如名字叫“物流投诉”，conditions里包含 model_check: "判断是否表达对配送时效、包裹状态或快递员行为的不满"，以及 content_contains: ["延误", "没收到", "丢件", "态度恶劣"]。
3. 设置actions：tag: "logistics_complaint" 和 move_to: "~/Reports/Classified/{{YYYY-MM-DD}}/"。
4. 执行 openclaw skills reload text-classifier 加载新规则。
5. 最后运行指令：“分析 ~/Downloads/feedback_batch/ 目录下全部 .txt 文件，依据 config.yaml 中定义的全部规则执行分类与归档”。
四、在千问 APP 内使用“表格 Agent”触发跨文档文本分类
这个方案对不想写代码的朋友特别友好。它完全依托千问APP最新版内建的表格理解能力，把多份Excel表格上传后，用自然语言指令就能驱动模型完成整表级的语义分类，全程在端侧处理，响应时间通常控制在90秒以内。
操作流程：
1. 打开通义千问APP，进入“文档”页，点击“批量上传”，一次可以选择最多100个Excel文件（每个表里要包含“反馈内容”列）。
2. 上传完成后，点任意一个已上传文件的缩略图，进入文档解析界面。
3. 在对话框里输入指令：“将所有已上传表格中的‘反馈内容’列文本，按情感倾向分为‘正面’‘负面’‘中性’三类，并在原表新增‘分类结果’列显示对应标签”。
4. 等模型处理完，点击右上角“导出为Excel”，系统会自动生成一个含分类列的合并文件。
五、基于 Qwen3-Reranker-0.6B 实现联合排序与分类输出
如果你要做的任务不仅需要分类，还涉及到排序，比如工单优先级判定、FAQ匹配增强这种复合型任务，那这个方法就特别合适。它利用Qwen3-Reranker的多任务学习架构，在做文本相关性重排序的同时，同步输出细粒度分类结果。
具体操作：
1. 启动本地vLLM服务，加载
Qwen3-Reranker-0.6B
2. 构造请求体，包含query字段（比如“客户投诉类型识别”）和documents字段（待分类的文本列表）。
3. 发POST请求到 http://127.0.0.1:8080/rerank，Header里设置 Content-Type: application/json。
4. 解析返回的JSON，提取每个document对应的 rerank_score 和 cls_label 字段——后者就是模型联合输出的分类标签。
5. 按 rerank_score 降序排列结果，把 cls_label 写到输出文件的首列。
