NLP Engineer 是一个专注于自然语言处理（NLP）系统设计与实现的专业技能，主要用于围绕文本数据构建可落地的处理与应用方案。
用途 该技能面向自然语言处理系统的设计与实现，重点覆盖文本分类、命名实体识别（NER）、情感分析，以及使用 Hugging Face、spaCy、LangChain 等框架集成现代大语言模型。
适用时机 根据资料，以下场景适合调用该技能：构建文本分类系统；实现命名实体识别（NER）；创建情感分析流水线；微调 Transformer 模型；设计由 LLM 驱动的功能；实现文本预处理流水线；构建搜索与检索系统；创建文本生成应用。
快速开始（调用判断） 在以下情况调用：构建 NLP 管道（分类、NER、情感分析）；微调 Transformer 模型；实现文本预处理；为文本任务集成 LLM；设计语义搜索系统。
以下情况不要调用：RAG 架构设计，改用 /ai-engineer；LLM 提示词优化，改用 /prompt-engineer；ML 模型部署，改用 /mlops-engineer；通用数据处理，改用 /data-engineer。
决策框架 按 NLP 任务类型选择：分类任务中，简单场景使用微调的 BERT/DistilBERT，零样本场景使用带提示词的 LLM；NER 任务中，标准实体使用 spaCy，自定义实体使用微调模型；生成任务使用 LLM（GPT、Claude、Llama）；语义搜索使用嵌入加向量存储。
核心工作流
- 文本分类流水线：收集并标注训练数据；预处理文本（分词、清洗）；选择基础模型（BERT、RoBERTa）；在标注数据集上微调；用合适的指标评估；部署时进行推理优化。
- NER 系统：为领域定义实体类型；创建标注训练数据；选择框架（spaCy、Hugging Face）；训练自定义 NER 模型；评估精确率、召回率、F1；结合后处理规则进行集成。
- 基于嵌入的搜索：选择嵌入模型（sentence-transformers）；为语料生成嵌入；在向量数据库中建立索引；实现查询嵌入；加入混合搜索（关键词加语义）；调节相似度阈值。
最佳实践 从预训练模型开始，按需微调；使用领域特定的预处理；用与任务匹配的指标进行评估；考虑生产环境的推理延迟；实现规范的文本清洗管道；使用批处理提高推理效率。
反模式 从零开始训练会浪费数据和算力，正确做法是微调预训练模型；不做预处理会因噪声输入损害性能，应清洗并规范化文本；指标选错会导致评估误导，应使用与任务匹配的指标；忽视类别不平衡会造成有偏预测，应平衡或加权类别；对评估集过拟合会削弱泛化能力，应做好训练、验证、测试集划分。
限制与未提供信息 资料未提供该技能的具体安装命令、收费与价格、平台支持范围、性能或效果数据以及具体使用步骤示例；上述内容暂未提供。