零样本分类可通过四种方式实现：一、openclaw web控制台输入自然语言指令；二、调用modelscope平台零样本分类pipeline；三、yaml规则配置文件定义语义条件；四、千问驱动的实时目录监控与自动归类。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您希望对一段中文文本进行自动分类，但手头没有标注数据、也来不及训练模型，则可能是由于传统监督学习流程无法满足即时业务需求。以下是使用千问模型实现零样本分类的具体操作步骤：
一、通过OpenClaw Web控制台输入自然语言指令
该方法利用OpenClaw作为执行中台，将模糊的业务意图转化为结构化分类逻辑，依赖千问模型对中文语义的深层理解能力，无需编写规则或配置参数。
1、打开浏览器访问OpenClaw本地控制台：http://127.0.0.1:18789。
2、在对话输入框中键入类似以下任一自然语言指令：“请将这段话归类为‘物流问题’‘商品缺陷’或‘服务投诉’中的一个：下单后三天未发货，联系客服无人应答。”
3、点击发送后，等待千问3.5-27B或3.5-9B模型完成语义解析与类别匹配，结果将直接显示在对话界面中。
二、调用ModelScope平台上的千问零样本分类Pipeline
该方法适用于需集成至脚本或服务端的场景，通过标准API接口调用已封装好的零样本分类能力，支持批量处理与高并发请求。
1、安装ModelScope SDK：pip install modelscope。
2、在Python脚本中初始化零样本分类流水线：from modelscope.pipelines import pipeline; zero_shot_pipeline = pipeline(task='text-classification', model='qwen/qwen-zero-shot-classification-zh-base')。
3、执行分类调用：result = zero_shot_pipeline({'text': '包装破损，内件变形', 'labels': ['物流问题', '商品缺陷', '服务投诉']})。
4、提取输出标签：print(result['labels'][0])。
三、使用YAML规则配置文件定义语义条件
该方法适用于需要长期复用、多人协同或跨项目一致性的分类场景，规则由千问模型在后台动态扩展关键词与语义边界，避免人工穷举同义词。
1、编辑OpenClaw技能配置文件：~/.openclaw/skills/file-classifier/config.yaml。
2、在rules列表中添加如下结构：rules: - name: 商品缺陷 conditions: - model_check: "判断是否描述实物在交付时存在物理性损伤或功能异常" - content_contains: ["破损", "变形", "漏液", "不亮", "无法开机"] actions: - tag: "quality_issue"。
3、保存文件后执行：openclaw skills reload file-classifier，使新规则生效。
四、启用千问驱动的实时目录监控与自动归类
该方法构建被动响应式文本整理机制，当新文本文件（如TXT、MD、PDF）进入指定路径时，系统自动触发千问模型进行内容分析与零样本决策，全程无交互干预。
1、在OpenClaw控制台中启用监控模块：Settings → Auto-Classify → Enable Directory Watcher。
2、设置监控路径为：/Users/xxx/Documents/incoming_texts/。
3、为该路径绑定预设标签集：["用户咨询", "技术故障", "资费疑问", "账户异常"]。
4、将待分类文本文件拖入该目录，系统将在3秒内完成语义解析并移入对应子文件夹。
