用 Scikit-LLM 和 Groq 搭建情感分析 pipeline

传统的机器学习（Machine Learning）pipeline 在处理文本分类等预测任务时，通常依赖从原始文本中提取结构化的数值特征——例如 TF-IDF 频率或 token embedding——再输入逻辑回归、集成方法或支持向量机等经典模型。

大语言模型的兴起改变了这套流程：现在可以在机器学习框架里，直接调用预训练模型做零样本或少样本（few-shot）推理来完成语言任务。Scikit-LLM 就是一个这样的Python 库，它把经典机器学习和现代 LLM API 调用接到了一起。本文结合 Scikit-LLM 与 Groq 后端模型，构建一个端到端的情感分析（sentiment analysis）pipeline——情感分析是文本分类的一个细分场景——用开源模型跑出较快的推理速度。整个流程会用到一个规模较大、贴近真实场景的数据集：IMDB 电影评论数据集，从预处理一直做到推理。