用途：该技能面向自然语言处理（NLP）应用开发，覆盖文本分类、命名实体识别、情感分析、机器翻译、文本摘要、问答与文本生成等核心任务，适用于情感/主题/意图分类、从非结构化文本抽取人物地点组织、构建聊天机器人或虚拟助手、以及微调预训练模型完成领域任务。
主要能力：资料列出常用模型与库，包括 Transformers（BERT、GPT、RoBERTa、T5）、spaCy、NLTK、Hugging Face 预训练模型库，以及 PyTorch/TensorFlow 深度学习框架。示例代码演示了文本预处理（小写化、去特殊字符、分词、去停用词、词形还原）、TF-IDF 与朴素贝叶斯分类、基于 pipeline 的情感分析与 NER、词袋向量与余弦相似度、词频统计、零样本分类（facebook/bart-large-mnli）以及可视化。
使用方式：资料给出 Python 实现流程，需安装 numpy、pandas、matplotlib、nltk、torch、transformers、scikit-learn 等依赖，并下载 NLTK 的 punkt 资源；通过 transformers 的 pipeline 调用预训练模型，如 sentiment-analysis 使用 distilbert-base-uncased-finetuned-sst-2-english，NER 使用 distilbert-base-uncased。
适用场景与限制：适合文本分类、实体抽取、情感分析、相似度计算与批量文本分析。资料未提供具体收费、价格、平台支持范围或性能基准；部分模型在运行环境中可能不可用，示例以异常捕获方式处理。分类、NER、翻译、摘要、问答的推荐模型清单已列出，但未说明训练数据规模与部署细节。