在這篇文章中，我們將深入探討一個令人興奮的開源專案，該專案利用 Google 的 Gemini 2.5 Flash Lite 模型對文字進行進階的情感分析和實體識別。這個名為 gemini-sentiment-web 的專案展示了如何將現代生成式 AI (Generative AI) 整合到簡單的 Flask Web 應用程式中。

🎮 線上試玩：您可以直接訪問 Live Demo 來體驗情感分析功能。

📋 目錄

  1. 專案概觀
  2. 系統架構
  3. 技術堆疊
  4. 程式碼深度解析
  5. 為什麼這很重要

🌟 專案概觀

此應用程式的核心目標是接收一段文字（例如客戶評論或社群媒體留言），並自動執行以下操作：

  1. 情感分析：判斷語氣是正面、中性還是負面（細分為 7 個等級）。
  2. 實體提取：識別文中提到的人名、地點或產品。
  3. 自動標註：分配特定標籤，例如「產品品質（正面）」或「服務（負面）」。
  4. 解釋原因：提供分析背後的理由，讓 AI 的判斷透明化。

🏗️ 系統架構

以下是該應用程式的運作流程：

graph LR User[使用者] -->|輸入文字| Web[Flask Web 介面] Web -->|POST 請求 /analyze| App[App.py 後端邏輯] subgraph AI Processing App -->|API 呼叫| Vertex[Google Vertex AI] Vertex -->|Prompt 提示詞| Gemini[Gemini 2.5 Flash Lite 模型] Gemini -->|JSON 回應| App end App -->|渲染結果| Result[分析報告頁面]

🛠️ 技術堆疊

  • 後端：Python, Flask
  • AI 模型：Google Vertex AI (Gemini 2.5 Flash Lite)
  • 監控：Sentry (用於錯誤追蹤)
  • 部署：支援 Docker / Cloud Run (內含 Procfile)

💻 程式碼深度解析

讓我們來看看 app.py 中發生了什麼魔法。

1. 模型初始化

首先，我們使用 vertexai.preview.generative_models 函式庫來載入 Gemini 2.5 Flash Lite 模型。請注意我們給予 AI 一個「評論家」的角色設定。

model = GenerativeModel(
    "gemini-2.5-flash-lite",
    system_instruction=["""你是很棒的評論家，你的服務很有幫助"""]
)

2. Prompt Engineering (提示詞工程)

任何 GenAI 應用程式最關鍵的部分就是 Prompt。這個專案使用結構化的 Prompt 來引導 Gemini 輸出程式碼容易解析的格式。

def analyze_text(text):
    response = model.generate_content(
        f"""分析以下文字的情緒，並標註其中的實體且自動貼標：
        "{text}"
        情緒應為以下其中之一：非常正面、正面、稍微正面、中性、稍微負面、負面、非常負面。
        實體可以是人名、地名、組織名、產品名等。
        自動貼標可以是牛肉麵品質(正面)、炒飯品質(負面)、服務(正面)、環境(中性)、等候或處理時間(負面)、價格（正面）等。
        請用以下格式回答：
        情緒: <情緒>
        解釋: <情緒解釋>
        Gemini的解釋: <Gemini自己的情緒解釋>
        實體: <實體1>, <實體2>, ...
        自動貼標: <標籤1>, <標籤2>, ...
        """,
        # ... config
    )
    return response

3. 安全設定與參數配置

為了確保 AI 產出的內容安全簡潔，我們設定了 max_output_tokens 和安全性閾值。

generation_config = {
    "max_output_tokens": 256,
    "temperature": 1.0,
}

safety_settings = {
    generative_models.HarmCategory.HARM_CATEGORY_HATE_SPEECH: generative_models.HarmBlockThreshold.BLOCK_MEDIUM_AND_ABOVE,
    # ... 其他類別
}

🚀 為什麼這很重要

這個專案展示了軟體開發中的「Agent-First」方法。我們不需要從頭開始訓練情感分析模型（這通常需要大量數據和算力），而是簡單地編排 (Orchestrate) 一個強大的預訓練 LLM (Gemini) 來完成繁重的工作。

這種方法大幅縮短了開發時間，讓開發者能夠專注於應用邏輯和使用者體驗，而不是底層的機器學習基礎設施。

在 GitHub 上查看完整原始碼：LinkGitData/gemini-sentiment-web