NLTagger是苹果的情感分析API。它集成在iOS和macOS中，在设备本地运行，不需要服务器，只需三行代码即可使用。当你搜索"Swift情感分析"时，它是第一个出现的结果。

对于任何开发者在日常工作中会写的文本，它返回以下结果：

消息NLTagger实际情况
“delete the temp file”-0.8中性指令
“ok”-0.8中性确认
“run make test”-0.6中性指令
“commit and push”-0.4中性指令
“great job, thanks!”+1.0正面(正确)
“this is fucking broken”-1.0负面(正确)

评分范围从-1.0(极其负面)到+1.0(极其正面)。根据苹果的评判，“delete the temp file"与"this is fucking broken"具有几乎相同的情感强度。而"ok”——英语中最中性的回应——得分是**-0.8**。

这些不是编造的数字。这些是在任何运行macOS 14+的Mac上都能重现的结果。

如何重现

import NaturalLanguage

let tagger = NLTagger(tagSchemes: [.sentimentScore])
tagger.string = "delete the temp file"
let (tag, _) = tagger.tag(
    at: tagger.string!.startIndex,
    unit: .paragraph,
    scheme: .sentimentScore
)
print(tag?.rawValue ?? "nil")
// "-0.8"

八行Swift代码。结果是确定性的：相同的文本在每次执行、每个设备上都产生相同的分数。这不是随机错误，而是系统性偏见。

为什么会发生

NLTagger使用的模型是基于消费者文本训练的：产品评价、社交媒体评论、餐厅评价。在那个领域，它表现相当不错。“This product is terrible"得分-0.9，“I love this app"得分+0.9。两个都正确。

问题在于技术词汇与情感词汇共享单词，但含义完全不同：

  • kill、terminate、abort —— 进程的正常操作
  • fatal、critical、panic —— 日志级别
  • crash、dead、zombie —— 系统状态
  • delete、destroy、drop —— 数据操作
  • reject、deny、block —— 访问控制

对于一个基于亚马逊评价训练的模型来说，“delete"是破坏性的，“kill"是暴力的，“fatal"是灾难性的。它没有上下文来理解"kill the background process"与"关门时请关灯"一样平淡无奇。

这称为词汇偏见：模型对单个词汇分配极性而不理解领域背景。这相当于机器翻译将"I’m killing it"解释为正在进行的凶杀案。

没人注意到

有趣的是：这种偏见没有出现在任何学术论文中。有数百篇关于软件工程中情感分析的文章——代码评审分析、提交中的毒性检测、问题分类——但没有一篇提及NLTagger。自然语言处理社区完全忽略了它。

原因很简单：没人在生产环境中使用NLTagger。研究人员使用Hugging Face的模型。企业使用OpenAI或Google的API。NLTagger是独立开发者为iOS应用寻找快速解决方案时使用的，一个下午就实现了，而且从不对照真实数据验证结果。

这意味着App Store中有未知数量的应用正在使用一个认为"ok"几乎与明确侮辱一样负面的模型来分类技术文本。而且它们都不知道这个问题。

真实案例：代码会话监控

这个问题不是理论性的。我构建了Tokamak，一个监控Claude Code会话的macOS应用。我想添加的功能之一是挫折检测：如果你花了两小时与一个bug搏斗，应用应该能够通过你消息的语调检测到这一点。

显而易见的方法是使用NLTagger。三行代码，零依赖，设备本地运行。原型在20分钟内就工作了。

然后它将"删除临时文件并运行测试"分类为-0.7。这是一个完全中性的指令，你会给代码助手的那种。根据NLTagger，我正处于情感危机的边缘。

我们如何解决：确定性层优先

解决方案不是"使用更好的模型”(虽然那也有帮助)。解决方案是不要完全依赖单一的不透明模型。

SentimentKit是我为解决这个问题编写的库。它使用4层管道，确定性分析首先运行，机器学习只在有歧义时介入：

消息
  │
  ├─ 第1层：关键词检测器(确定性，约20KB)
  │  精心策划的脏话、挫折和积极表达词典。
  │  8种语言(ES, EN, PT, DE, FR, ZH, JA, KO)。
  │
  ├─ 第2层：VADER规则(确定性，约500KB)
  │  否定("not good")，增强词("very bad")，
  │  大写字母，标点符号。
  │
  ├─ 第3层：CoreML DistilBERT(可选)
  │  仅用于长且有歧义的消息。
  │
  └─ 第4层：LLM评分器(可选，需要API)
     仅用于前面层无法解决的情况。

关键是第1层和第2层是确定性的。它们每次都产生相同的结果。没有不透明的模型。你可以审核每个词典，每个规则。最重要的是：中性的技术命令得分是0.0，而不是-0.8。

import SentimentKit

let analyzer = SentimentAnalyzer()

let result = analyzer.analyze("delete the temp file and run make test")
// result.score = 0.0 -- 中性，应该如此

let angry = analyzer.analyze("qué coño es esto, no funciona una mierda")
// angry.score = -2.0 -- 检测到两个脏话

VADER：应该更为人知的工具

第2层的规则受到VADER(Valence Aware Dictionary and sEntiment Reasoner)的启发，这是C.J. Hutto和Eric Gilbert在2014年在佐治亚理工学院创建的系统。VADER是基于规则而不是机器学习的情感分析器，使用由人工标注的约7500个单词的情绪价值词典。

VADER的有趣之处在于它处理词袋模型忽略的语言修饰符：

  • 否定：“not good"反转极性
  • 增强词：“very good"放大分数
  • 大写字母：“GOOD"比"good"得分更高
  • 转折：“the food was great BUT the service was terrible”——“but"给第二个分句更多权重

VADER有局限性(不理解讽刺，在英语中效果更好)，但其透明度是最大的优点。当VADER分类错误时，你可以打开词典，找到条目并纠正它。使用NLTagger时，你只能耸耸肩。

讽刺：苹果创造了问题也提供了解决方案

从macOS 26 / iOS 26开始，苹果提供了Foundation Models框架，一个在设备本地运行的约30亿参数的LLM。它在情感分析方面比NLTagger好得无法比较，因为它理解上下文，而不仅仅是单个词汇。

同一个苹果公司卖给你一个认为"ok"是负面的分类器，现在又为你提供一个理解"kill the process"是技术指令的语言模型。正确的解决方案存在于同一生态系统内；只是晚了十年。

SentimentKit可以使用Foundation Models作为第4层(LLM评分器)。使用Apple Intelligence来纠正NLTagger错误的讽刺意味我并非没有察觉。

Anthropic如何检测挫折(剧透：正则表达式)

一个有趣的事实。在Claude Code(Anthropic的Claude CLI)的代码中，用户挫折检测是用正则表达式实现的。不是用NLTagger。不是用机器学习模型。而是用正则表达式搜索"this is broken”、“doesn’t work”、“what the"等模式。

这是一种粗糙但有效的方法：在技术命令中没有误报，因为模式是明确的。Anthropic，世界上最先进的LLM之一背后的公司，使用正则表达式来检测挫折。如果这还不能说明生产环境中情感分析的现状，没有什么能说明了。

黄金测试：144个样本并在增加

SentimentKit包含144个带精确断言的黄金消息：35个西班牙语，35个英语，20个葡萄牙语，19个德语，20个法语和15个中文。数据来自已发布的数据集(cardiffnlp/tweet_sentiment_multilingual，sepidmnorozy/Chinese_sentiment)和公共仓库的真实代码评审。

每个样本都有期望的分数范围、应该检测到的表达式和不应该检测到的表达式。测试系统包括PHANTOM检测(词典中从未与真实数据匹配的条目)和UNCONSUMED检测(词典中缺失的真实表达式)。这与我在Tokamak中用于验证DTO与生产数据的方法相同：如果LLM编造了数据，测试就会失败。

试用

git clone https://github.com/frr149/SentimentKit
cd SentimentKit
swift test

或作为Swift Package Manager依赖：

.package(url: "https://github.com/frr149/SentimentKit.git", from: "1.0.0")

这个包在没有CoreML和互联网连接的情况下也能工作。确定性层(关键词 + VADER)对技术文本中的大多数用例都足够了。

教训

如果你将NLTagger用于产品评价以外的任何文本，你得到的是带有两位小数虚假精度的垃圾数据。模型没有损坏；它超出了适用领域。而API不会警告你。

自然语言处理社区忽略它。苹果没有将其记录为限制。使用它的开发者从不验证结果，因为-1.0到1.0之间的Double看起来很严格，尽管它没有任何意义。

在信任情感分数之前，要问自己：“ok"应该是-0.8吗？如果你的工具说是，问题不在用户身上。问题在工具上。