一、本文能解决什么问题

如果你遇到过以下任一场景，这篇教程适合你：

• 手里有几百条用户评论/客服记录/问卷回答，想做情感分析和意图分类，但一条条贴给 AI 太慢
• 拿到一份合同，想让 AI 做合同风险审查，输出条款级的风险清单
• 论文用了 AI 辅助，想在提交前做AIGC 检测自查和降 AI 味改写
• 有一堆网课/会议视频，想自动生成结构化学习笔记

本文用阿里云百炼的命令行工具 bl 完成上述全部任务，所有命令均可直接复制使用，Windows 和 macOS 通用。

二、环境准备

前置要求：Node.js（LTS 版本即可，官网 nodejs.org 下载）

第 1 步：安装 CLI

npm install -g bailian-cli

第 2 步：获取 API Key。打开百炼控制台 API Key 页面（免费注册，新用户送免费额度），创建并复制 Key。

第 3 步：登录

bl auth login

按提示粘贴 Key 即完成。验证是否可用：

bl text chat --message "你好"

有正常回复即环境就绪。更多命令能力可以查看官方 CLI 介绍页。

三、实战 1：批量评论情感分析（核心）

3.1 准备数据

把评论从平台导出后拆成单条文件放进 reviews/ 目录（拆分可以用 Excel 分列或让 AI 写个脚本）。拆小文件的好处：失败可以只重跑失败的那几条。

3.2 编写分析规则

新建 rule.txt：

你是评论分析器。对输入的评论输出 JSON：{"sentiment": "正面/负面/中性", "aspect": ["口味","配送","包装","价格","服务"中命中的项], "intent": "表扬/吐槽/建议/询问", "summary": "十字以内概括"}。只输出 JSON，不要解释。

标签体系按你的业务改，比如电商换成"质量/物流/包装/价格/售后"。

3.3 批量执行

macOS/Linux（Bash）：

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

Windows（PowerShell）：

Get-ChildItem reviews\*.txt | ForEach-Object { bl text chat --model qwen-turbo --system (Get-Content rule.txt -Raw) --message (Get-Content $_ -Raw) --output json | Out-File "out\$($_.BaseName).json" }

参数说明：

• --model qwen-turbo：便宜档模型。打标签是重复性任务，用它和旗舰模型效果几乎一样，成本低一个量级
• --system：分析规则，保证 500 条用同一套标准（这正是对话框做不到的）
• --output json：输出结构化 JSON，方便进 Excel/Python 统计

提速：命令里加 --concurrent 4 可 4 路并行，500 条从约 40 分钟缩到约 11 分钟。

3.4 效果参考

实测 500 条外卖评论：负面集中在"配送"（占 62%），并从五星好评里挖出 17 条改进建议。总成本几毛钱。

四、实战 2：合同风险审查

把合同文本存成 contract.txt，然后：

bl text chat --system "你是合同审读助手。只列出对乙方不利或异常的条款，每条给出：原文引用、风险说明、建议的修改方向。常规条款不要复述。" --message "$(cat contract.txt)"

Windows 写法：--message (Get-Content contract.txt -Raw)。

实测 7 页租房合同挑出 4 条风险条款，每条带原文引用。注意：prompt 里"常规条款不要复述"这句必须加，否则它会点评所有正常条款，输出没法看。

适用边界：结果是初筛清单，适合租房、外包这类日常合同；大金额合同请把 AI 清单当作"咨询律师时的问题列表"。

五、实战 3：论文 AI 率自查与降 AI 味

先明确：任何工具都不能保证通过知网等检测系统，AI 检测本身存在误判。本方法用于定位 AI 味重的段落并获取改写建议，最终改写请人工完成。

bl text chat --system "分析输入文本的 AI 生成特征：机械的排比结构、高频套话（'综上所述''不难发现'）、缺少具体细节的空泛论述。逐段给出 AI 特征明显度（高/中/低）和具体的人工化改写建议，建议要具体到句。" --message "$(cat chapter3.txt)"

输出会逐段给出高/中/低评级和具体到句的改写方向（例如把"随着科技的不断发展"这类空泛开头替换为具体领域现状）。

衍生用法：把 system prompt 换成"逐条列出语法错误：位置、错误类型、修改建议"，就是英文论文语法检查器。

六、实战 4：视频转学习笔记

bl vision describe --video ./lecture.mp4 --prompt "这是一节课程视频。输出 Markdown 格式学习笔记：按讲解顺序分章节，每章列出核心论点、关键例子、涉及的公式或代码。结尾附全课要点清单。适配 Obsidian 语法。"

支持 mp4/mov/avi/mkv/webm，本地文件自动上传。2 小时视频几分钟出带章节结构的 Markdown 笔记，可直接导入 Obsidian。

七、成本与用量查询

bl usage stats --days 7

查最近 7 天调用统计。免费额度余量：

bl usage free

实测参考：500 条评论 + 1 份合同 + 3 段论文 + 1 个 2 小时视频，总费用不到 3 元，大部分在免费额度内。

八、常见问题（FAQ）

Q1：提示 npm 不是内部或外部命令？
未安装 Node.js，去 nodejs.org 装 LTS 版后重开终端。

Q2：批量跑到一半个别文件失败怎么办？
这就是拆小文件的意义——只重跑失败的文件。失败常见原因是文本含特殊字符，清洗后重试即可。

Q3：分析质量不稳定？
检查 system prompt 是否含负面约束（“不要解释”“不要复述常规条款”）。分析类任务中，限制它不做什么比描述做什么更有效。

Q4：能处理英文内容吗？
可以，评论打标、语法检查、社媒帖子话题分类对英文同样有效，规则文件用英文写更佳。

Q5：担心批量任务花超？
跑之前 bl usage free 看额度，跑完 bl usage stats 对账；批量任务建议先拿 10 条试跑确认输出格式再全量执行。