简介： 本篇文章学习思路来源于【MaxCompute SQL AI 实操教程】0元体验使用大模型提效数据分析
https://developer.aliyun.com/article/1691912?spm=a2c6h.40901583.J_4084600820.3.3b0a3b32OrIIHd
MaxCompute SQL AI 让开发者无需切换开发环境、无需学习新框架，仅通过熟悉的 SELECT 语句就能调用 AI 能力，实现语义理解、内容生成等 AI 增强计算。本文档以 MaxCompute SQL AI 调用公有 Qwen3-1.7B 模型实现评论情感分析为例，详细介绍核心代码逻辑、执行流程、效果验证及使用注意事项，帮助 MaxCompute SQL 开发者快速掌握 “SQL+AI” 的轻量化情感分析落地方式。
MaxCompute SQL AI 支持直接通过 SQL 语句调用阿里云公有大模型，无需切换开发环境、无需掌握 AI 框架开发能力。本示例基于通义千问轻量版模型（Qwen3-1.7B-GGUF），实现对文本评论的情感分类（正面 / 负面 / 中性），适用于电商、客服、舆情分析等轻量级文本处理场景。
核心配置与数据表准备
-- 关键配置：开启MaxCompute公有模型使用权限（必选） SET odps.sql.using.public.model=true; -- 创建测试评论表：存储待分析的评论数据 CREATE TABLE IF NOT EXISTS test_sentiment_comments ( comment_id BIGINT COMMENT '评论唯一标识ID', comment_text STRING COMMENT '待分析的评论内容' ) COMMENT '情感分析测试评论表'; -- 插入测试数据：覆盖正面、中性、负面三类情感场景 INSERT INTO test_sentiment_comments VALUES (1, '今天天气真好，心情很不错！阳光明媚，适合出去散步。'), (2, '今天天气真好，心情很不错！阳光明媚'), (3, '科技发展日新月异，人工智能改变生活。'), (4, '防控措施很到位，为医护人员点赞！'), (5, '这个商品质量很差'), (6, '快递速度还行，但包装有点破损，整体一般'), (7, '这家餐厅的菜味道一般，服务也不热情，不会再来了');
调用 Qwen3-1.7B 模型实现情感分析
-- 核心逻辑：调用公有模型进行情感分类 SELECT comment_id, comment_text, -- AI_GENERATE函数：调用Qwen3-1.7B模型生成情感分析结果 AI_GENERATE( bigdata_public_modelset.default.Qwen3-1.7B-GGUF, -- 公有模型地址 DEFAULT_VERSION, -- 使用模型默认版本 -- 提示词：精准约束模型输出范围，添加/no_think减少冗余输出 concat('请对以下评论进行情感分析分类，输出结果仅限于以下三个选项之一：正面、负面、中性。待分析的评论:', comment_text, ' /no_think') ) AS sentiment_result FROM test_sentiment_comments;
代码关键说明
SET odps.sql.using.public.model=true;开启公有模型调用权限，无此配置会导致模型调用失败
test_sentiment_comments业务数据表，存储结构化的评论 ID 和非结构化的评论文本
AI_GENERATEMaxCompute SQL AI 核心函数，用于调用大模型生成内容
bigdata_public_modelset.default.Qwen3-1.7B-GGUF阿里云公有模型地址，指定使用轻量版通义千问模型
concat(...)构造精准提示词，核心作用是：1. 明确任务（情感分析分类）；2. 限定输出范围（仅正面 / 负面 / 中性）；3. 添加
/no_think标记，避免模型输出冗余描述
执行效果与验证
为了达到测试的效果，以下内容的设置需要进行说明：
- 输出准确性：模型严格遵循提示词约束，仅输出 “正面 / 负面 / 中性” 三类结果，无冗余内容，可直接用于后续业务逻辑处理；
- 场景适配性：能准确识别纯正面、纯负面评论，也可区分无明确情感倾向、正反混合的中性评论；
- 执行效率：7 条数据调用模型分析总耗时约 2.5 秒，轻量模型适配小批量数据快速分析。
同时，通过简单的使用，总结一下的使用注意事项：
- 权限配置：必须执行
SET odps.sql.using.public.model=true;开启公有模型权限，否则会提示模型访问失败； - 提示词编写：需明确限定输出范围，避免模型输出非预期内容（如 “该评论偏向正面”），
/no_think标记建议必加； - 模型选择：Qwen3-1.7B 适合简单文本分类，复杂语义分析可替换为 Qwen3-7B/14B（需确认模型权限）；
- 数据规范：评论文本避免包含特殊字符（如 emoji、乱码），否则可能影响模型分析准确性；
- 结果校验：批量处理时建议抽样校验结果准确性，对特殊场景可优化提示词或更换更大模型。
MaxCompute SQL AI 通过AI_GENERATE函数实现 SQL 与公有大模型的无缝衔接，无需 AI 开发经验即可落地文本分析能力；精准的提示词 +/no_think标记是保证模型输出格式统一、可用的核心；Qwen3-1.7B 轻量模型在简单情感分析场景中具备 “快、准、省” 的特点，适合中小规模数据的 AI 增强计算。
