傳統情感分析使用特徵工程分類器（詞袋模型 + 邏輯迴歸、基於詞典的方法）。這些方法對簡單案例有效，但在處理反諷（「噢太好了，又延誤了」）、隱含情感（「電池只撐了兩小時」）和領域特定語言時會失敗。現代方法使用微調的 BERT 或基於 LLM 的分類，透過理解上下文來更好地處理這些細微差異。
真實的評論通常包含混合情感：「相機很出色，但電池令人失望。」面向型情感分析會辨識面向（相機、電池），並為每個面向獨立分配情感。這比整體情感更有用，因為它能精確指出具體需要改進的地方。現代 LLM 透過結構化輸出自然地處理這個問題——「從這則評論中提取面向及其情感。」
對於情感分析，你有三個選擇：（1）微調的小型模型（快速、便宜、適合高流量），（2）零樣本 LLM 提示（靈活、能處理邊緣案例、較昂貴），（3）API 服務（Google NLP、AWS Comprehend）。對於大多數新專案，從 LLM 提示開始，當流量足以合理化成本時再切換到微調模型，是最實用的方法。