在它之前，计算机是怎么处理文字的

假设你要让程序处理 1000 封客户邮件：找出投诉，分给售后，再为每封邮件生成一句摘要。前两项早已能用规则、分类和检索做好，第三项过去通常需要更专门的生成系统。今天的生成式 AI 则能按不同要求现场写出新内容。理解这个差别，才能看清大语言模型扩展了什么，也能避免把所有旧方法都误认成落后的东西。

先给答案

过去许多常见的文字程序主要靠规则、关键词、统计特征或已标注样本做匹配和分类。它们擅长从有限选项中判断；今天的大语言模型则把按要求生成开放答案变成了更通用的能力。

最早的办法：把人的判断写成规则

文字进了计算机，起初只是字符编码和字符串。程序可以判断一段文字里有没有“退款”，也可以把所有“2026/08/27”替换成统一日期，但它不知道这些字对业务意味着什么。工程师于是把判断过程写成条件：邮件同时出现“退款”和订单号，就转售后；出现“发票”和“抬头”，就转财务。

这种做法常被称为规则引擎。也就是说，人先明确写出“如果出现 A，再检查 B，然后执行 C”。一个客服路由规则可能只有 8 条，一个合规检查系统却可能积累几千条。规则的长处是可以追问：这封邮件为什么被拦截？系统能回答“命中了第 17 条，包含禁用字段”。它也容易做硬约束，例如身份证号必须是规定长度，审批金额超过某数就必须增加一级签字。

规则的麻烦来自语言变化。同一件事，客户可能写“我要退钱”“不想要了”“取消订单”，也可能讽刺地说“这服务真让人省心，我等了两周”。为了覆盖表达差异，维护者不断增加同义词、排除项和优先级。一条新规则还可能撞上旧规则：含“并非不能退款”的邮件到底算肯定还是否定？规则不是不能处理，而是维护量会随边界情况增加。

后来出现了更多统计方法。程序不再要求人写完所有条件，而是从一批带标签的样本里学习哪些特征常与结果一起出现。比如给它 5000 封已标成“投诉”或“非投诉”的邮件，它可以统计“失望”“一直没人处理”等词和投诉标签的关系，再判断下一封邮件属于哪类。

统计方法怎样把文字变成可计算的数字

常见做法之一是“词袋”。也就是说，程序先不管完整句意，只记录一段文字出现了哪些词、各出现几次。句子“产品便宜但物流慢”可以变成一张计数表：产品 1 次、便宜 1 次、物流 1 次、慢 1 次。训练出的分类器再根据这些数字判断它更像好评还是差评。

词袋会丢掉顺序。“物流不慢”和“物流慢”包含大量相同词，仅看计数很容易混淆。加入相邻两个词或三个词的组合可以保留一小部分顺序，但组合越多，特征表越大，没见过的表达也越多。另一类序列模型会按先后读取词语，比词袋更能利用顺序；它们仍然通常围绕明确任务训练，例如分类、命名实体识别或翻译。命名实体识别，就是从原文中圈出人名、日期、地点等特定信息。

这里最重要的不是背算法名称，而是看输出空间。垃圾邮件分类器面对两项选择：是或否。情感分析可能面对五个星级。实体识别是在原文里圈出人名、日期和地点。即使模型内部很复杂，最后仍是在一组预先规定的标签里作判断。

搜索也属于另一条重要路线。用户输入“差旅报销”，系统可以按关键词、词频和相关度从 300 份文件里排出最可能的 10 份。搜索返回的是已有材料，不负责现场写一份新制度。今天的 AI 产品仍大量使用搜索，只是常在搜索结果后面再加一层生成，把几个片段组织成回答。

生成式方法到底多做了哪一步

生成式 AI 面对的不是几个固定标签，而是数量极大的文字组合。它可以根据输入逐段写出新内容。一封投诉邮件可以生成摘要“客户反映包裹逾期两周且三次联系未获回复”，也可以按指定格式起草回复。这个句子不需要事先存放在答案库中。

支撑聊天产品的通常是大语言模型。也就是说，它从大量文字里学到词语在各种上下文中如何接续，再用这种能力完成摘要、改写、问答等任务。它与旧分类器并非简单的“更聪明版本”：两者任务定义不同。分类器输出一个标签，语言模型输出一串接一串的文字片段。

生成的优势是适应开放表达。给它一份 900 字记录，它能按“问题、证据、待办”重新组织，不必为每种句式单写规则。代价是结果不再完全确定：同一输入可能出现不同措辞，也可能补进原文没有的因果关系。你若要求它判断发票号码是否符合固定格式，自由生成反而比一行确定规则更难审计。

所以，旧方法并没有退出工作现场。可靠系统常把它们组合起来：正则表达式先遮住手机号，分类器判断邮件去向，搜索找出对应制度，语言模型最后生成摘要。让擅长判断的程序去判断，让擅长组织文字的模型去组织文字，通常比把所有事情都塞进聊天框稳妥。

自己试一下

把下面 6 条短句贴进任意 AI 聊天框：“我要退款”“物流太慢”“请开发票”“怎么修改地址”“东西坏了”“谢谢，已经收到”。先要求它只分成“售后、财务、其他”三类，再要求它为每条写一句不超过 20 字的处理建议。

第一轮观察它是否只能在三个标签里选择；第二轮观察措辞是否变得开放，以及它会不会给“东西坏了”补出原文没有的处理步骤。前者接近分类任务，后者是生成任务。本文编辑于 2026-08-27，并用当前会话模型检查了任务是否可执行。你试的时候结果可能不同，重点是看它的行为模式。

常见误解

误解一：以前的程序完全不处理语义。 早期统计模型和序列模型早已能做翻译、分类与信息抽取，只是多数系统面向一个明确任务，输出边界也更窄。

误解二：生成模型一定优于规则。 如果要求是“金额超过 10 万必须复核”，规则清楚、便宜、可测试。让模型自由判断反而会引入波动。生成能力适合开放文字，不是每个判断环节的默认答案。

三句话总结

传统文字程序擅长按规则、特征或样本完成搜索、抽取和分类。
今天的大语言模型显著扩展的能力，是按不同要求现场写出不在答案库里的开放内容。
固定判断继续交给确定程序，开放表达再考虑生成，系统通常更可靠。

如果你要做决定

先把需求拆成“固定判断”和“开放生成”两类。请供应商分别说明每一步的输入、允许输出和验收办法；如果一个硬规则也要靠模型猜，要求解释为什么不用可审计的程序。