引言：文本理解任务的工程化缺口
在百炼平台的能力矩阵里，文本理解（分类、抽取、审读、摘要）是调用频率最高的一类任务，但它的工程化程度往往最低：大量用户仍在网页对话框里手工粘贴数据，规则靠会话记忆维持，结果靠复制导出。这套做法在单条任务上没有问题，一旦数据量上到几百条，三个瓶颈同时出现——规则漂移、输入吞吐、输出落地。
百炼 CLI（bl）为这类任务提供了更合适的执行形态：规则外置为文件、输入批量读取、输出结构化落盘，配合平台的模型梯度（qwen-turbo 到旗舰档）和多模态能力（Qwen-VL），可以在不引入任何开发框架的前提下，把文本理解任务组织成可复跑的工作流。本文通过四个实践场景展开。
一、环境与平台准备
npm install -g bailian-cli
bl auth login
API Key 在百炼控制台创建，新账号含各模型免费额度。CLI 的完整命令面（文本、视觉、语音、图像、视频、MCP、配额管理）参见官方 CLI 页面。
二、场景一：评论批量打标——模型梯度的正确用法
百炼模型矩阵的价值在批量任务上体现得最直接。评论打标属于低创意、高重复、规则驱动的任务，qwen-turbo 档位完全胜任；实测 50 条对照样本，其打标质量与旗舰模型无可辨差异，而成本低一个数量级。
规则文件 rule.txt 约定输出 schema：
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。
批量执行：
for f in reviews/*.txt; do bl text chat --model qwen-turbo --system "$(cat rule.txt)" --message "$(cat "$f")" --output json > "out/$(basename "$f" .txt).json"; done
500 条串行约 40 分钟，加全局参数 --concurrent 4 后约 11 分钟。CLI 在管道场景下默认输出 JSON，与下游统计脚本无缝衔接。实测产出：负面评论 62% 集中于"配送"维度，17 条改进建议从五星评论中被识别出来。
三、场景二：合同条款审读——prompt 契约设计
单文档审读的关键不在命令而在契约。有效的审读 prompt 需要同时包含正向要求（原文引用、风险说明、修改方向）和负向约束（常规条款不复述）：
bl text chat --system "你是合同审读助手。只列出对乙方不利或异常的条款，每条给出：原文引用、风险说明、建议的修改方向。常规条款不要复述。" --message "$(cat contract.txt)"
实测 7 页合同输出 4 条风险点，均带原文定位。缺少负向约束时，模型会点评全部条款，信噪比不可用——这是分析类 prompt 与生成类 prompt 的核心差异。企业场景中，该输出定位为法务初筛或采购合同预审的第一道过滤层，最终判断仍需专业人员。
四、场景三：学术文本 AI 特征评估
面向 AIGC 检测场景的自查工作流。需要明确：AI 检测存在原理性误判，该场景的产出是"特征定位 + 人工改写方向"而非"检测结果保证"：
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、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)"
同一模式可扩展为语法检查、文本质量多维评分等衍生工作流，仅需替换 system 契约。
五、场景四：视频内容结构化——多模态能力协同
Qwen-VL 的视频理解通过独立命令暴露，本地文件自动上传（支持 mp4/mov/avi/mkv/webm）：
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。"
2 小时课程视频数分钟内输出章节化 Markdown 笔记。这一能力与文本管道同属一个 CLI、一套认证、一份账单，是平台"多模态同栈"的直接体现——文本、视觉任务无需切换工具链。
联网检索同样在栈内：
bl search web --query "AI 视频笔记工具 对比 2026" --count 5
检索结果可直接管道给 bl text chat 做结构化汇总，构成轻量级研究工作流。
六、成本治理
平台侧提供完整的用量观测命令：
bl usage stats --days 7
bl usage free
前者按模型统计调用量，后者查询免费额度余量；批量任务上线前查额度、运行后对账，是推荐的操作习惯。实测本文四个场景的一周总成本不足 3 元，其中批量打标（qwen-turbo，500 条）仅几毛钱——模型梯度 + 按量计费的组合，使文本理解任务的成本结构对个人和小团队都足够友好。
七、小结
四个场景共享同一套工程模式：规则文件化、输入分片化、模型分层化、输出结构化。这套模式不依赖任何编排框架，用 shell 原语加一个 CLI 即可落地，适合作为文本理解任务从"手工对话"走向"工程化管道"的第一步；当任务复杂度继续上升（多步依赖、条件分支），可再向百炼的工作流应用或 Agent 编排演进。
