用命令行低成本批量分析文本

我曾尝试让 AI 给 500 条 Etsy 评论打标签：把评论粘贴到聊天窗口里，每次处理 20 条。才进行到第三批，模型就悄悄创造了一个标签体系里根本不存在的新类别。这不是模型的问题，而是容器的问题。长对话会发生漂移；批量任务需要的是始终不变的规则。

于是，我把整个任务搬到了终端里。这篇文章会完整介绍整个过程：为 500 条评论标注情感、生成合同风险检查清单、检查论文章节是否带有 AI 写作痕迹，以及把一段 2 小时的课程视频整理成 Obsidian 笔记。整周的总成本不到 0.50 美元。

bl 是阿里云 Model Studio 的 CLI。使用 Node.js 安装：

npm install -g bailian-cli

从 Model Studio 控制台获取一个免费的 API key（新账户包含免费额度），然后执行：

bl auth login

模式：规则存为文件，输入来自文件，输出写成 JSON

整个方法可以用一句话概括：把标签规则放进文件，从文件中读取输入，再把结构化输出写入文件。每次调用收到的规则都完全相同——从设计上杜绝漂移。

You are a review analyzer. For the input review output JSON: {"sentiment": "positive/negative/neutral", "aspect": [matching items from "quality","shipping","packaging","price","service"], "intent": "praise/complaint/suggestion/question", "summary": "under 10 words"}. Output JSON only.

for f in reviews/*.txt; do bl text chat --model qwen-turbo --system "$(cat rule.txt)" --message "$(cat "$f")" --output json > "out/$(basename "$f" .txt).json"; done

这里有三个经过刻意考虑的选择：

--model qwen-turbo：打标签属于流水线工作，而不是推理工作。在对 50 个样本进行并排对比后，低成本档位的结果与默认旗舰模型相当，成本却低了一个数量级。处理这批 500 条评论只花了几美分。

--output json：结果可以直接送入电子表格或脚本。（通过管道传递时，输出无论如何默认就是 JSON。）

每条评论单独一个文件：其中 3 条因为特殊字符而执行失败；重试时，只需重新运行这 3 个文件，而不必重跑整个批次。

顺序执行耗时约 40 分钟。使用 --concurrent 4 后，耗时约 11 分钟。

汇总结果显示：62% 的负面情绪指向“物流”，还有 17 条产品建议藏在五星好评里。我的朋友花了三个晚上粗略浏览这些评论，最后只得到了一些模糊感受；而这个循环给出了具体数字。

合同 → 风险检查清单

还是同一条命令，只是换了一份 contract（这里确实是双关）。关键在于添加否定约束：

bl text chat --system "You are a contract reviewer. List ONLY clauses that are unfavorable or unusual for the contractor. For each: quote the exact wording, explain the risk, suggest a redline. Skip boilerplate." --message "$(cat agreement.txt)"

如果不写 skip boilerplate，模型就会尽职尽责地审查每一条标准条款，真正重要的信息反而会被淹没。加上这句之后，我那份 9 页的自由职业合同最终只标出了四个问题，其中包括一条在尾款支付前就已生效的知识产权转让条款。每项问题都附有准确的原文引用，我可以直接粘贴到回复中。

边界也要说清楚：这只是初步筛查。涉及真金白银时，这份检查清单应该拿去交给律师。

论文的 AI 痕迹检查

现在，大学会对提交的论文进行 AI 内容检测，我的表妹需要先自行检查一次。首先得坦诚说明：没有任何工具能够保证通过所有检测器，而且用 AI 检测 AI 确实会产生误判。更实际的做法要谦逊一些——找出机器味最重的段落，再获得具体到句子的改写建议：

bl text chat --system "Analyze the input for AI-generation markers: mechanical parallel structures, stock transitions, vague claims with no concrete detail. Rate each paragraph High/Medium/Low and give specific humanization suggestions, down to the sentence." --message "$(cat chapter3.txt)"

结果有两个段落被标为 High——两段都是她几乎没怎么修改过的 AI 输出。她按照建议，亲自重写了这两段。

2 小时课程视频 → Obsidian 笔记

换一条命令，背后的思路仍然相同。bl vision describe 可以直接接收本地视频文件：

bl vision describe --video ./lecture.mp4 --prompt "This is a course lecture. Output Markdown study notes: chapters in teaching order, each with core arguments, key examples, and any formulas or code. End with a takeaway list. Use Obsidian-compatible syntax."

几分钟后，按章节整理的笔记就生成了。我只看了 25 分钟的视频，而不是完整的 120 分钟。专用的摘要工具更加精致，通常提供时间戳、浏览器扩展等功能，但它们采用订阅制；如果每个月只处理两段视频，按调用次数付费更划算，而且笔记格式完全由我的 prompt 决定。

周末执行 bl usage stats --days 7：上面所有任务加起来不到 0.50 美元，而且大部分都在免费额度内。运行大型批处理任务之前，可以用 bl usage free 查看剩余的免费额度——值得先看一眼。

什么时候适合使用，什么时候不适合

如果任务量大、重复性高，而且需要结构化输出，就适合使用这种方法，例如评论、工单、调查问卷、合同初筛和积压的课程视频。如果你每个月只分析一篇文本，聊天窗口已经够用；如果任务要求零错误，也不要使用这种方式——AI 是初筛层，而不是最终签字人。

如果你手头也积压了一大堆没读完的文本，免费额度足以运行本文中的所有任务：注册账户之后，从“尚未阅读”到“已经读完，并附有检查清单”，中间只差一个 for 循环。

你一直拖着没做的最大规模批量文本任务是什么？欢迎在评论区告诉我。

如需采取进一步措施，你可以考虑屏蔽此人和／或举报滥用行为。