MaxCompute SQL AI 体验：消费场景分类 + 推荐指数量化分析

一、开通 MaxCompute 服务（0 元试用）

1. 入口直达
   登录阿里云账号（需完成个人实名认证），打开 MaxCompute 免费试用入口：MaxCompute 产品官网 - 入门与试用或直接访问：https://free.aliyun.com/

2. 资源领取
   选择地域（推荐：北京、上海、深圳，支持白屏化查看模型）；
   勾选「MaxCompute 试用资源包」（包含 500CU*H 计算抵扣包 + 100GB 存储抵扣包，有效期 3 个月）；
   按提示创建「服务关联角色」（AliyunServiceRoleForMaxCompute，用于云产品间数据访问授权，默认勾选即可）；
   提交后等待 1-5 分钟，收到「MaxCompute 服务开通成功」的短信 / 控制台通知。
   

3. 注意事项
   仅个人认证的 MaxCompute 新用户可申领，试用资源超额后按实际用量计费，建议提前在「费用中心 - 消费控制」设置额度预警；
   资源包非实时抵扣，当日用量次日 6 点前生成账单后抵扣。

二、前往 MaxCompute 控制台创建项目

1. 进入控制台
   开通成功后，打开「MaxCompute 控制台」：https://maxcompute.console.aliyun.com/
2. 创建项目（核心步骤）
   选择与试用资源一致的地域（如「华东 2（上海）」）；
   点击「创建项目」，填写关键信息：
   配置项 填写要求
   项目名称 小写字母 + 数字组合，如「mc_consumer_analysis」（全局唯一）
   项目描述 可选，如「消费评论场景分析测试」
   资源组 选择「公共资源组」（试用默认）
   访问权限 保持默认「标准模式」，新手无需调整
   点击「确定」，等待 3-5 分钟，项目状态变为「运行中」即创建成功。
   

三、明确业务场景 + 模型调用逻辑

1. 业务场景需求
   基于用户消费评论，完成 2 个 AI 分析目标：
   场景分类：将评论映射到「居家 / 办公 / 出行 / 休闲 / 其他」5 类固定场景（输出仅含场景名）；
   推荐指数：根据评论情感正向程度，输出 1-10 的数字（1 = 极不推荐，10 = 极力推荐）。
2. 模型调用规则
   调用公共模型：bigdata_public_modelset.default.Qwen3-1.7B-GGUF（轻量化，适配试用资源）；
   核心 FLAG 配置（必须开启）：

   SET odps.task.major.version=flighting; -- 启用新版执行引擎
   SET odps.sql.using.public.model=true; -- 开启公共模型调用权限
   SET odps.namespace.schema=false; -- 关闭命名空间校验
   

四、执行 SQL 代码（控制台 / DataWorks 均可）

1. 代码执行入口
   在 MaxCompute 控制台进入目标项目，点击左侧「SQL 分析」（新版控制台），或通过「DataWorks」（0 元开通后使用）：
   DataWorks 开通：参考文档流程，选择同地域、基础版、按量付费资源组，绑定 VPC / 交换机后即可使用。
2. 完整可执行 SQL 代码

-- 步骤1：创建消费评论表（存储测试数据）
CREATE TABLE IF NOT EXISTS consumer_comment
(
    comment_id      STRING COMMENT '评论ID',
    comment_text    STRING COMMENT '消费评论内容',
    comment_time    STRING COMMENT '评论时间',
    user_city       STRING COMMENT '用户城市'
);

-- 步骤2：插入测试数据（模拟真实消费评论）
INSERT INTO consumer_comment VALUES
('C001', '这款家用投影仪画质超清晰，宅家看电影太爽了！ /no_think', '2025-12-01 10:00:00', '上海'),
('C002', '公司采购的办公椅久坐不腰疼，性价比绝了！ /no_think', '2025-12-01 11:00:00', '北京'),
('C003', '高铁上的充电插座太方便了，出行再也不慌！ /no_think', '2025-12-01 12:00:00', '深圳'),
('C004', '周末去的咖啡馆环境超棒，适合放空一下午 /no_think', '2025-12-01 13:00:00', '广州'),
('C005', '快递员态度超差，包裹还送错了地方 /no_think', '2025-12-01 14:00:00', '杭州');

-- 步骤3：设置MaxCompute AI核心配置
SET odps.task.major.version=flighting;
SET odps.sql.using.public.model=true;
SET odps.namespace.schema=false;

-- 步骤4：核心AI分析逻辑（场景分类+推荐指数）
SELECT 
    comment_id,
    comment_text,
    -- AI分析1：消费场景分类（限定5个固定选项）
    AI_GENERATE(
        bigdata_public_modelset.default.Qwen3-1.7B-GGUF,
        DEFAULT_VERSION,
        CONCAT('请对以下评论对应的消费场景进行分类，输出结果仅限于以下五个选项之一：居家、办公、出行、休闲、其他。待分析的评论:', comment_text),
        '{"max_tokens": 500, "temperature": 0.2}' -- 低随机性保证结果稳定
    ) AS consumption_scene,
    -- AI分析2：推荐指数量化（仅输出1-10数字）
    AI_GENERATE(
        bigdata_public_modelset.default.Qwen3-1.7B-GGUF,
        DEFAULT_VERSION,
        CONCAT('请根据以下评论的正面程度给出推荐指数，仅输出1-10之间的数字（1表示极不推荐，10表示极力推荐）。待分析的评论:', comment_text),
        '{"max_tokens": 500, "temperature": 0.2}'
    ) AS recommend_index,
    user_city
FROM consumer_comment;

3.执行操作
将代码写到 SQL 编辑框，点击「运行」；
等待任务执行（5 条测试数据耗时约 5-8 秒），查看「运行日志」无报错即执行成功。

五、分析执行结果

1. 输出结果
   

2. 结果解读
   场景分类：模型精准匹配评论中的消费场景，无超出「居家 / 办公 / 出行 / 休闲 / 其他」的冗余输出；
   推荐指数：正向评论（C001-C004）指数≥8，负面评论（C005）指数 = 1，符合情感正向程度的量化逻辑；
   数据完整性：所有字段无空值，模型输出完全符合提示词的格式约束（无文字描述、仅指定内容）。

六、体验反馈

1. 核心优势（贴合新手 / 分析师需求）
   零门槛集成 AI：无需学习 Python/AI 框架，纯 SQL 即可调用大模型，数据分析师无需跨工具就能完成智能分析，执行流程与普通 SQL 一致；
   资源成本可控：5 条测试数据仅消耗 0.01 CUH，500CUH 试用额度可支撑数万条数据分析，0 元即可完成核心场景验证；
   结果可控性高：通过提示词限定输出范围 + 低 temperature（0.2），避免大模型输出冗余内容，结果可直接用于后续统计（如「居家场景推荐指数均值计算」）。
2. 待优化点
   提示词依赖度高：若未明确「仅输出指定选项」，模型可能输出冗余内容（如「居家场景，推荐指数 9 分」），需精细化设计提示词；
   执行效率：批量分析 1000 条以上数据时，耗时约 1-2 分钟，略慢于普通 SQL 查询；
   模型规格限制：Qwen3-1.7B-GGUF 对超长文本（＞500 字）分析准确率略有下降，需精简评论内容。
3. 实操建议
   提示词设计：务必添加「输出仅包含 XXX」「仅限以下选项」等约束，优先测试 10 条以内数据验证提示词效果；
   批量处理：分析超 1000 条数据时，按「评论时间」分区查询，避免全表扫描；
   模型升级：若需更高准确率，可替换为Qwen3-7B-GGUF（中量级模型），仅需修改 SQL 中的模型名，无需调整其他逻辑。