在前幾篇文章中，我們深入探討了資料標註的原則與品質控管。然而，傳統的機器學習方法往往需要龐大的人工標註量，這不僅耗時，也耗費大量人力成本。為了應對這個挑戰，我開始思考如何利用**大型語言模型（LLM）**來加速標註流程，實現半自動化標註，進而減少手動工作量。

這種方法的核心概念是：
讓 LLM 擔任「初級標註員」，先進行初步的批量標註，然後再由人工進行精確的審核與校正。我們把精力集中在處理複雜的訓練模型設計上。

提示詞設計範例

以下是一個設計範例，可以讓 LLM 針對顧客評論進行情緒分類：

提示詞內容

請將顧客評論分辨其情緒分類，並標記為「正面」、「中性」或「負面」。請同時說明您的分類理由。如果評論內容無法明確判定情緒，請將其歸類為「中性」。

#顧客評論
{review}

#回答格式
情緒分類: [正面/中性/負面]
理由: [簡述分類原因]

#限制條件
1. 每個評論僅能歸類為一種情緒分類。
2. 如果評論內容涉及多個不同面向，請綜合考量整段內容，並根據其主要情緒進行整體判斷。
3. 確保您的回答完整涵蓋所有顧客評論，並依照上述格式以繁體中文回答問題。

關鍵設計要點

1. 明確的目標與任務
   開頭就清楚定義 LLM 需要做什麼，也就是「分辨情緒分類」與「說明理由」。

2. 參數化輸入
   使用 {review} 設定參數變量，方便程式化地批量讀取已建立好的評論 JSON 資料。

3. 強制回答格式
   透過 #回答格式 來規範 LLM 的輸出，確保資料結構化，便於後續的程式處理與分析。

4. 詳盡的限制條件
   這部分至關重要。它定義了標註的邊界與規則，例如「單一分類」與「綜合考量主要情緒」，確保 LLM 的判斷邏輯與我們的人工標註標準一致。

結語

透過這個簡單但精確的提示詞設計，我們可以讓 LLM 快速、高效地完成初步的資料標註工作，但可能因為串接 LLM 會耗費較高的 token 成本，若資料量非常大的情況，需要評估成本效益是否合適。

當 LLM 標註完後所產生的標註結果，需要進行品質驗證，與人工標註結果進行比對，確保資料的準確性。