AI的提示词专栏：通过 Prompt 完成情感分析与情绪标签化

AI的提示词专栏：通过 Prompt 完成情感分析与情绪标签化

本文围绕 “用 Prompt 实现情感分析与情绪标签化” 展开，先阐释核心概念，指出情感分析聚焦情感倾向判断，情绪标签化是其细化延伸，能实现情感精细化洞察。接着对比传统方法，强调 Prompt 驱动 LLM 的优势，如零 / 少数据启动、场景迁移成本低等。随后详解 Prompt 设计原则与标准化结构，通过电商评价、社交媒体舆情、职场反馈三个场景提供实战案例，还给出解决常见问题的优化技巧，介绍结合 Excel、Python 实现批量处理与自动化的进阶应用，最后总结核心要点并给出从简单场景入手等实践建议，为用 Prompt 开展情感分析提供全面指南。

人工智能专栏介绍

人工智能学习合集专栏是 AI 学习者的实用工具。它像一个全面的 AI 知识库，把提示词设计、AI 创作、智能绘图等多个细分领域的知识整合起来。无论你是刚接触 AI 的新手，还是有一定基础想提升的人，都能在这里找到合适的内容。从最基础的工具操作方法，到背后深层的技术原理，专栏都有讲解，还搭配了实例教程和实战案例。这些内容能帮助学习者一步步搭建完整的 AI 知识体系，让大家快速从入门进步到精通，更好地应对学习和工作中遇到的 AI 相关问题。

这个系列专栏能教会人们很多实用的 AI 技能。在提示词方面，能让人学会设计精准的提示词，用不同行业的模板高效和 AI 沟通。写作上，掌握从选题到成稿的全流程技巧，用 AI 辅助写出高质量文本。编程时，借助 AI 完成代码编写、调试等工作，提升开发速度。绘图领域，学会用 AI 生成符合需求的设计图和图表。此外，还能了解主流 AI 工具的用法，学会搭建简单智能体，掌握大模型的部署和应用开发等技能，覆盖多个场景，满足不同学习者的需求。

1️⃣ ⚡ 点击进入 AI 的提示词专栏，专栏拆解提示词底层逻辑，从明确指令到场景化描述，教你精准传递需求。还附带包含各行业适配模板：医疗问诊话术、电商文案指令等，附优化技巧，让 AI 输出更贴合预期，提升工作效率。

2️⃣ ⚡ 点击进入 AI 灵感写作专栏，AI 灵感写作专栏，从选题到成稿，全流程解析 AI 写作技巧。涵盖论文框架搭建、小说情节生成等，教你用提示词引导 AI 输出内容，再进行人工润色。附不同文体案例，助你解决写作卡壳，产出高质量文本。

3️⃣ ⚡ 点击进入 AI 辅助编程专栏，AI 辅助编程专栏，通过实例教你用 AI 写代码：从功能描述到调试优化。涵盖前端、后端、数据库等，语言包括HTML5、VUE、Python、Java、C# 等语言，含算法实现、Bug 修复技巧，帮开发者减少重复劳动，专注核心逻辑，提升开发速度。

4️⃣ ⚡ 点击进入 AI 精准绘图专栏，AI 精准绘图，聚焦 AI 绘图在设计场景的落地。详解如何描述风格、元素、用途，生成 logo、商标等。含 Midjourney 等工具参数设置，及修改迭代方法，帮设计新手快速出图，满足商业与个人需求。

5️⃣ ⚡ 点击进入 AI 绘制图表专栏，AI 绘制图表专栏，教你用 AI 工具将数据转化为直观图表。涵盖曲线图数据输入、流程图逻辑梳理等，附 Excel 联动、格式美化技巧，适合学生、职场人快速制作专业图表，提升数据展示效果。

6️⃣ ⚡ 点击进入 AI 的工具集专栏，AI 的工具集专栏，盘点主流 AI 工具：ChatGPT、DeepSeek、 Claude、Gemini、Copilot 等。解析各工具优势，附使用场景与技巧，帮你根据需求选工具，快速上手提升效率，覆盖办公、创作、开发等场景。

7️⃣ ⚡ 点击进入 AI 的智能体专栏，AI 的智能体专栏，解析智能体自主运行原理，包括任务拆解、环境交互等。教你用大模型搭建简单智能体，附多智能体协作案例，适合想探索 AI 自主系统的开发者入门。

8️⃣ ⚡ 点击进入 AI 的大模型专栏，AI 的大模型专栏，详解大模型部署步骤，从本地搭建到云端部署。含 API 调用教程、应用开发案例，教你将大模型集成到项目，掌握企业级 AI 应用开发技能，应对实际业务需求。

一、情感分析与情绪标签化的核心概念

（一）情感分析的定义与价值

情感分析（Sentiment Analysis），又称意见挖掘（Opinion Mining），是指通过自然语言处理（NLP）、文本挖掘等技术，自动识别和提取文本中包含的主观情感信息，判断文本整体或特定对象的情感倾向（如积极、消极、中性），并量化情感强度的过程。

在当下信息爆炸的时代，情感分析具有极高的实用价值。例如：

企业可通过分析用户对产品的评价，快速掌握产品优缺点，为产品迭代提供方向；
品牌方能够实时监控社交媒体上的品牌舆情，及时应对负面情绪扩散；
政务部门可从市民反馈中提取情感倾向，了解公众对政策的接受度，优化公共服务。

（二）情绪标签化的内涵与作用

情绪标签化是在情感分析基础上的进一步细化，它不再局限于“积极/消极/中性”的宏观分类，而是将文本中的情绪拆解为更具体、可定义的标签，如“喜悦”“愤怒”“悲伤”“焦虑”“满意”“失望”等。

情绪标签化的核心作用在于实现“情感精细化洞察”。以电商客服场景为例，同样是“消极”情感，用户反馈“商品质量差，刚用就坏了”对应的情绪标签是“愤怒+失望”，而“物流太慢，等了一周才到”对应的标签是“不满+焦虑”。通过不同标签，客服可采取差异化应对策略：对“愤怒+失望”的用户优先安排退换货并致歉，对“不满+焦虑”的用户则重点解释物流延迟原因并提供补偿方案。

二、为什么选择用 Prompt 做情感分析与情绪标签化

在传统的情感分析流程中，通常需要经过“数据标注→模型训练→模型部署→效果迭代”等复杂步骤，不仅需要大量标注数据，还对技术人员的建模能力有较高要求，且模型的泛化能力受限——当分析场景从“商品评价”切换到“电影影评”时，往往需要重新调整模型或补充标注数据。

而用 Prompt 驱动大语言模型（LLM）完成情感分析与情绪标签化，能有效解决传统方法的痛点，核心优势如下：

零数据/少数据即可启动：无需大规模标注数据集，即使只有少量示例（Few-Shot）甚至无示例（Zero-Shot），通过清晰的 Prompt 指令，LLM 也能输出高质量结果；
场景迁移成本极低：只需调整 Prompt 中的场景描述和标签定义，就能快速适配不同领域（如电商、医疗、教育）的情感分析需求，无需重新训练模型；
结果可解释性强：LLM 可在输出情感倾向和标签的同时，通过 Prompt 指令要求其标注“情感依据”（如提取文本中的关键语句），让分析过程更透明；
支持定制化标签体系：可根据业务需求自定义情绪标签（如电商场景的“物流不满”“质量投诉”，职场场景的“团队协作抱怨”“薪资不满”），灵活性远超传统固定分类模型。

三、Prompt 设计的核心原则与结构

要让 LLM 精准完成情感分析与情绪标签化，Prompt 设计需遵循“目标明确、约束清晰、示例具体”三大原则，同时采用“指令+背景+标签体系+示例（可选）+输出格式”的标准化结构。

（一）核心设计原则

目标明确：直接告知 LLM 任务核心——“你需要分析文本的情感倾向，并为其打上情绪标签”，避免语义模糊；
约束清晰：明确情感倾向的分类（如“积极/消极/中性”）、情绪标签的范围（如“仅从‘喜悦、愤怒、悲伤、不满、焦虑、满意、失望’中选择”），防止 LLM 输出超出预期的结果；
示例具体：若场景复杂或标签体系特殊，提供 1-3 个完整示例（包含“输入文本+情感倾向+情绪标签+分析依据”），帮助 LLM 理解任务标准。

（二）标准化 Prompt 结构

以“电商商品评价情感分析”为例，Prompt 结构可拆解为：

# 任务指令
请你作为电商情感分析助手，完成以下任务：
1. 分析用户提供的商品评价文本，判断整体情感倾向（仅可选：积极/消极/中性）；
2. 为文本打上 1-2 个情绪标签（仅从以下标签中选择：喜悦、满意、不满、愤怒、失望、焦虑）；
3. 提取文本中支撑情感倾向和情绪标签的关键语句（需引用原文），作为分析依据。
# 背景说明
本次分析的文本均为电商平台用户对“家用电器”类商品的评价，需聚焦商品质量、物流速度、客服服务三个核心维度的情感表达。
# 标签定义（补充说明，避免歧义）
- 喜悦：因商品超出预期（如“功能比想象中强”）产生的愉悦情绪；
- 满意：商品符合预期（如“质量和描述一致”），无明显负面反馈；
- 不满：对商品/服务存在轻微负面感受（如“物流有点慢”），但未达到愤怒程度；
- 愤怒：因商品严重问题（如“刚用就坏”）或服务恶劣（如“客服态度差，推卸责任”）产生的强烈负面情绪；
- 失望：商品未达到预期（如“功能不如宣传的多”），但无强烈愤怒；
- 焦虑：因物流延迟、售后未解决等问题产生的担忧（如“担心换货要等很久”）。
# 输出格式（强制要求，便于后续处理）
- 情感倾向：[此处填写积极/消极/中性]
- 情绪标签：[此处填写1-2个标签，用逗号分隔]
- 分析依据：[此处引用原文关键语句，并简要说明该语句如何支撑情感倾向和标签]
# 示例（可选，复杂场景补充）
## 示例1
用户评价：“这款烤箱太好用了！烤出来的面包外脆里软，而且加热速度很快，比我之前买的旧烤箱强太多了，客服还耐心解答了我的使用问题，特别满意！”
- 情感倾向：积极
- 情绪标签：喜悦，满意
- 分析依据：引用“这款烤箱太好用了！烤出来的面包外脆里软，而且加热速度很快，比我之前买的旧烤箱强太多了”支撑“喜悦”标签（超出对烤箱功能的预期）；引用“客服还耐心解答了我的使用问题，特别满意”支撑“满意”标签和“积极”情感倾向。

四、不同场景的 Prompt 实战案例

（一）场景1：电商商品评价分析（Zero-Shot 无示例）

1. Prompt 指令

# 任务指令
请你作为电商情感分析专员，处理用户对“智能家居设备”的评价文本，完成：
1. 判断情感倾向（仅可选：积极/消极/中性）；
2. 打 1-2 个情绪标签（仅选：满意、喜悦、不满、愤怒、失望、焦虑）；
3. 提取原文关键语句作为分析依据。
# 背景与标签说明
- 分析聚焦：设备功能（如连接稳定性、操控便捷性）、售后（如安装服务、问题解决速度）；
- 标签定义：
  - 满意：设备符合描述，无负面反馈；
  - 喜悦：设备功能超出预期，带来惊喜；
  - 不满：轻微负面（如“连接偶尔断”）；
  - 愤怒：严重问题（如“设备无法使用，售后不理睬”）；
  - 失望：设备未达预期（如“操控不如宣传简单”）；
  - 焦虑：担忧售后/使用问题（如“担心安装师傅上门延迟”）。
# 输出格式
- 情感倾向：[结果]
- 情绪标签：[结果]
- 分析依据：[结果]
# 待分析文本
“买的智能门锁到了，安装师傅很准时，上门后半小时就装好了。用手机APP操控很方便，指纹识别也很灵敏，试了好几次都没出错，和商品页面描述的一样，很放心。”

2. 预期输出

情感倾向：积极
情绪标签：满意
分析依据：引用“安装师傅很准时，上门后半小时就装好了”“用手机APP操控很方便，指纹识别也很灵敏，试了好几次都没出错”“和商品页面描述的一样，很放心”，这些语句表明智能门锁的安装服务和功能均符合预期，无负面反馈，支撑“积极”情感倾向和“满意”标签。

3. 技巧点分析

该 Prompt 属于 Zero-Shot 场景，未提供示例，但通过“标签定义+聚焦维度”的详细说明，避免了 LLM 对标签的理解偏差；
明确“待分析文本”的场景（智能门锁），让 LLM 聚焦该品类的核心评价维度（安装、操控、识别），减少无关分析；
输出格式强制要求“引用原文”，确保分析依据的客观性，避免 LLM 主观臆断。

（二）场景2：社交媒体品牌舆情分析（Few-Shot 含示例）

1. Prompt 指令

# 任务指令
请你作为品牌舆情分析师，分析社交媒体上关于“运动品牌A”的用户发帖，完成：
1. 情感倾向（积极/消极/中性）；
2. 情绪标签（1-2个，可选：喜爱、认可、抱怨、愤怒、失望、无明显情绪）；
3. 标注文本中提及的品牌相关元素（如产品、营销活动、代言人）。
# 背景说明
分析聚焦“运动品牌A”的跑鞋产品、2024年夏季促销活动、代言人X三个核心元素，需判断用户情感是否针对这些元素。
# 示例
## 示例1
用户发帖：“品牌A的新款跑鞋太舒服了！上周跑步穿了一次，脚不磨泡，减震效果也很好，以后跑步就选它了！”
- 情感倾向：积极
- 情绪标签：喜爱，认可
- 提及元素：品牌A新款跑鞋
- 分析依据：“新款跑鞋太舒服了”“脚不磨泡，减震效果也很好”表明对跑鞋的正面评价，支撑“积极”倾向和“喜爱、认可”标签。
## 示例2
用户发帖：“品牌A的夏季促销太坑了！明明说满500减100，付款时却不生效，客服说活动已结束，但页面还挂着活动信息，太让人无语了！”
- 情感倾向：消极
- 情绪标签：抱怨，愤怒
- 提及元素：品牌A2024年夏季促销活动
- 分析依据：“满500减100付款时不生效”“页面还挂着活动信息”表明对促销活动的负面反馈，“太坑了”“太让人无语了”体现强烈不满，支撑“消极”倾向和“抱怨、愤怒”标签。
# 输出格式
- 情感倾向：[结果]
- 情绪标签：[结果]
- 提及元素：[结果]
- 分析依据：[结果]
# 待分析文本
“今天看到品牌A官宣代言人是X，我太激动了！X是我最喜欢的运动员，之前一直想买品牌A的鞋，现在有了X代言，果断下单两双！”

2. 预期输出

情感倾向：积极
情绪标签：喜爱，认可
提及元素：品牌A代言人X、品牌A的鞋
分析依据：引用“看到品牌A官宣代言人是X，我太激动了！X是我最喜欢的运动员”“之前一直想买品牌A的鞋，现在有了X代言，果断下单两双”，表明用户因代言人X对品牌产生更强的好感，并触发购买行为，支撑“积极”情感倾向和“喜爱、认可”标签，提及元素为“代言人X”和“品牌A的鞋”。

3. 技巧点分析

该场景属于 Few-Shot，提供 2 个示例覆盖“产品”和“促销活动”两个维度，帮助 LLM 理解“提及元素”的标注逻辑；
示例中明确“分析依据”需关联“提及元素”，让 LLM 学会将情感与具体品牌元素绑定，避免泛泛而谈；
标签中加入“无明显情绪”，适配中性文本场景（如“今天看到品牌A开了新店，在市中心”），覆盖更多舆情情况。

（三）场景3：职场员工反馈分析（定制化标签）

1. Prompt 指令

# 任务指令
请你作为HR情感分析助手，分析员工对公司的反馈文本，完成：
1. 情感倾向（积极/消极/中性）；
2. 情绪标签（1-2个，可选：认可、满意、薪资不满、加班抱怨、晋升焦虑、团队不满、无情绪）；
3. 判断反馈是否涉及“需HR跟进”的问题（是/否，若为“是”，说明需跟进的事项）。
# 定制标签说明
- 认可：对公司文化、福利（非薪资）的正面评价（如“公司团建很有趣”）；
- 满意：对工作内容、同事关系的正面反馈（如“和团队合作很顺畅”）；
- 薪资不满：明确提及薪资低、涨幅慢（如“入职一年没涨薪，薪资比同行低”）；
- 加班抱怨：抱怨加班频率高、无加班费（如“每天加班到10点，没有加班费”）；
- 晋升焦虑：担忧晋升机会少、晋升机制不透明（如“工作3年没晋升，不知道晋升标准是什么”）；
- 团队不满：对团队管理、同事配合的负面反馈（如“组长分配任务不公平”）。
# 输出格式
- 情感倾向：[结果]
- 情绪标签：[结果]
- 需HR跟进：[是/否]，若为“是”，跟进事项：[说明]
- 分析依据：[结果]
# 待分析文本
“来公司两年了，一直负责核心项目，每天加班至少2小时，周末还经常要在家处理工作，但公司从来没给过加班费，也没说过加班调休的政策，感觉很不公平。”

2. 预期输出

情感倾向：消极
情绪标签：加班抱怨
需HR跟进：是，跟进事项：员工反馈加班频繁（每天2小时+周末居家办公）但无加班费和调休政策，需HR核实公司加班制度，与员工沟通补偿方案；
分析依据：引用“每天加班至少2小时，周末还经常要在家处理工作”“没给过加班费，也没说过加班调休的政策”“感觉很不公平”，表明员工对加班无补偿的负面反馈，支撑“消极”倾向和“加班抱怨”标签，且该问题涉及薪资福利制度，需HR跟进解决。

3. 技巧点分析

该 Prompt 采用“定制化标签体系”，标签直接对应HR的核心工作场景（薪资、加班、晋升），让分析结果可直接用于实际工作；
加入“需HR跟进”的判断维度，将情感分析与业务行动绑定，避免分析结果“只看不用”，提升实用性；
标签说明中明确“负面标签的触发条件”（如“薪资不满”需“明确提及薪资低”），防止 LLM 仅凭模糊表述（如“收入不太理想”）就打上负面标签，提升准确性。

五、Prompt 优化技巧：解决常见问题

在使用 Prompt 进行情感分析时，可能会遇到“标签错误”“分析依据模糊”“忽略细节信息”等问题，可通过以下优化技巧解决：

（一）问题1：LLM 输出超出指定范围的标签

问题表现

指定标签为“喜悦、不满、愤怒”，但 LLM 输出“开心”（与“喜悦”含义相近但不在列表中）。

优化 Prompt 策略

在“标签说明”中加入“强制约束”，明确“若文本情绪无法匹配任何指定标签，选择‘无明显情绪’，禁止自创标签”，并在输出格式中加入“标签校验”要求。

优化后 Prompt 片段

# 标签说明（新增强制约束）
仅可从“喜悦、不满、愤怒、无明显情绪”中选择标签，禁止使用“开心”“生气”等未指定标签；若文本情绪与前三个标签均不匹配，统一选择“无明显情绪”。
# 输出格式（新增标签校验）
- 情绪标签：[结果]
- 标签校验：[说明所选标签如何匹配指定列表，若选择“无明显情绪”，说明原因]

（二）问题2：分析依据未引用原文，主观臆断

问题表现

文本为“这款手机续航比我之前的手机差，一天要充两次电”，LLM 分析依据写“用户觉得手机续航差”，未引用原文。

优化 Prompt 策略

在“任务指令”中强调“分析依据必须包含原文引用，格式为‘引用：“原文语句”+说明’”，并在示例中严格执行该格式。

优化后 Prompt 片段

# 任务指令（强化依据要求）
3. 分析依据需包含原文引用（用“引用：“XXX””格式），并说明该语句如何支撑情感倾向和标签，禁止无引用的主观描述。
# 示例（严格执行格式）
用户评价：“这款手机续航比我之前的手机差，一天要充两次电”
- 分析依据：引用：“这款手机续航比我之前的手机差，一天要充两次电”，该语句直接表明用户对手机续航的负面感受，支撑“消极”情感倾向和“不满”标签。

（三）问题3：忽略文本中的“混合情感”

问题表现

文本为“这款电脑性能很好，运行速度快，但价格比同配置的其他品牌贵500元，有点纠结”，LLM 仅判断为“积极”，忽略“消极”成分。

优化 Prompt 策略

在“任务指令”中加入“若文本包含多种情感（如既有正面也有负面），需分别标注各情感对应的倾向、标签和依据”，明确“混合情感”的处理规则。

优化后 Prompt 片段

# 任务指令（新增混合情感处理）
若文本同时包含积极和消极情感（混合情感），需按以下格式输出：
- 情感倾向：混合（积极+消极）
- 积极情绪标签：[对应标签]，依据：[引用原文+说明]
- 消极情绪标签：[对应标签]，依据：[引用原文+说明]

六、情感分析 Prompt 的进阶应用：结合工具与自动化

（一）结合 Excel/Sheets 批量处理文本

当需要分析大量文本（如1000条商品评价）时，可将 Prompt 与 Excel/Sheets 的“AI 函数”结合，实现批量分析。以 Google Sheets 为例：

在 Sheets 中整理待分析文本，列名为“用户评价”；
插入新列“情感分析结果”，输入公式（需连接 LLM API，如 OpenAI API）：

=AI_PROMPT("请你作为电商情感分析助手，分析文本："&A2&"，输出格式为‘情感倾向：XXX；情绪标签：XXX；分析依据：XXX’，标签仅可选‘满意、不满、愤怒、喜悦’")

公式下拉，自动生成所有文本的分析结果，大幅提升效率。

（二）结合 Python 实现自动化舆情监控

通过 Python 调用 LLM API，可实时抓取社交媒体文本（如微博、小红书），并自动用 Prompt 进行情感分析，输出结构化结果（如 CSV/JSON）。核心代码示例（以 OpenAI API 为例）：

import openai
import pandas as pd
# 配置API密钥
openai.api_key = "你的API密钥"
# 定义情感分析Prompt模板
def sentiment_prompt(text):
    prompt = f"""
    请你作为舆情分析助手，分析以下社交媒体文本：
    文本内容：{text}
    任务：1. 情感倾向（积极/消极/中性）；2. 情绪标签（1-2个，可选：喜爱、抱怨、愤怒、失望、无明显情绪）；3. 分析依据（引用原文）。
    输出格式：
    情感倾向：XXX
    情绪标签：XXX
    分析依据：XXX
    """
    return prompt
# 调用LLM API获取结果
def get_sentiment_result(text):
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": sentiment_prompt(text)}]
    )
    return response.choices[0].message.content
# 批量处理文本（示例：从CSV读取文本）
df = pd.read_csv("social_media_texts.csv")  # 包含“text”列，存储待分析文本
df["sentiment_result"] = df["text"].apply(get_sentiment_result)
# 保存结果
df.to_csv("sentiment_analysis_results.csv", index=False)
print("批量分析完成，结果已保存！")

（三）进阶技巧：Prompt 与 Few-Shot 结合提升复杂场景准确率

对于专业领域（如医疗患者反馈、金融用户评论），可通过“Prompt+领域内示例”进一步提升准确率。例如医疗场景，示例需包含“医疗术语+情感关联”（如“患者提到‘术后疼痛未缓解’，对应‘不满’标签”），让 LLM 理解领域特有的情感表达逻辑。

七、总结与实践建议

（一）核心总结

Prompt 结构是基础：无论何种场景，都需包含“指令+背景+标签体系+输出格式”，确保 LLM 明确任务边界；
标签体系需适配业务：通用标签（积极/消极）无法满足实际需求，需根据场景定制标签（如电商的“物流不满”、职场的“加班抱怨”）；
示例与约束是关键：复杂场景需提供 1-3 个示例，避免 LLM 理解偏差；同时通过“强制约束”（如“禁止自创标签”）减少错误输出。

（二）实践建议

从简单场景入手：新手可先从“电商评价分析”等简单场景练手，熟悉 Prompt 结构后，再挑战“医疗反馈”“金融舆情”等专业场景；
逐步优化 Prompt：首次使用时，若结果存在标签错误、依据模糊等问题，不要直接更换 Prompt，而是针对具体问题补充约束（如“加入原文引用要求”“细化标签定义”）；
结合工具提升效率：少量文本可手动输入 Prompt 分析，大量文本需结合 Excel/Sheets 或 Python 实现批量处理，让情感分析从“手动操作”变为“自动化流程”。

通过以上方法，可充分发挥 Prompt 驱动 LLM 的优势，让情感分析与情绪标签化成为解决业务问题的高效工具，而非需要复杂技术支撑的“难题”。

联系博主

xcLeigh 博主，全栈领域优质创作者，博客专家，目前，活跃在CSDN、微信公众号、小红书、知乎、掘金、快手、思否、微博、51CTO、B站、腾讯云开发者社区、阿里云开发者社区等平台，全网拥有几十万的粉丝，全网统一IP为 xcLeigh。希望通过我的分享，让大家能在喜悦的情况下收获到有用的知识。主要分享编程、开发工具、算法、技术学习心得等内容。很多读者评价他的文章简洁易懂，尤其对于一些复杂的技术话题，他能通过通俗的语言来解释，帮助初学者更好地理解。博客通常也会涉及一些实践经验，项目分享以及解决实际开发中遇到的问题。如果你是开发领域的初学者，或者在学习一些新的编程语言或框架，关注他的文章对你有很大帮助。

亲爱的朋友，无论前路如何漫长与崎岖，都请怀揣梦想的火种，因为在生活的广袤星空中，总有一颗属于你的璀璨星辰在熠熠生辉，静候你抵达。

愿你在这纷繁世间，能时常收获微小而确定的幸福，如春日微风轻拂面庞，所有的疲惫与烦恼都能被温柔以待，内心永远充盈着安宁与慰藉。

至此，文章已至尾声，而您的故事仍在续写，不知您对文中所叙有何独特见解？期待您在心中与我对话，开启思想的新交流。

💞 关注博主 🌀 带你实现畅游前后端！

🏰 大屏可视化 🌀 带你体验酷炫大屏！

💯 神秘个人简介 🌀 带你体验不一样得介绍！

🥇 从零到一学习Python 🌀 带你玩转Python技术流！

🏆 前沿应用深度测评 🌀 前沿AI产品热门应用在线等你来发掘！

💦 注：本文撰写于CSDN平台,作者：xcLeigh（所有权归作者所有） ，https://xcleigh.blog.csdn.net/，如果相关下载没有跳转，请查看这个地址，相关链接没有跳转，皆是抄袭本文，转载请备注本文原地址。

📣 亲，码字不易，动动小手，欢迎 点赞 ➕ 收藏，如 🈶 问题请留言（或者关注下方公众号，看见后第一时间回复，还有海量编程资料等你来领！），博主看见后一定及时给您答复 💌💌💌

文章版权归作者所有，未经允许请勿转载。

AI的提示词专栏：通过 Prompt 完成情感分析与情绪标签化