做定性分析的研究者都体会过：花几周时间反复读访谈记录，手工标出主题，再整合出一份可引用的证据清单。能不能让大语言模型替代这一步？最近一份技术笔记给出了一个精巧的实现方案——用按请求计费的API，在几分钟内跑完一套可复现的编码管道。

这里牵出一个潜在的分歧。一派人认为，自动化编码牺牲了对语境的深度理解，输出的分类可能浮于表面。另一派人看到的是，如果能用严格的格式约束和分块策略限制模型的自由度，这套流程不比初级研究助理做得差。笔记作者选择的正是后一条路：把模型锁死在“定性研究助手”的角色里，强制输出结构化 JSON，且分块处理长文本——这些控制手段让编码结果的可比性大幅提升。

这个方案的核心工具是 Oxlo.ai，一个提供 OpenAI 兼容接口的服务。它的特别之处在于按请求次数固定收费，发送长段落的成本与短句相同，没有那种按输入令牌数计价带来的“长文本焦虑”。免费层每天支持60次请求，足够原型开发。你只需要配好 Python 环境，安装 OpenAI SDK，然后把 API 端点指向 Oxlo 网关，就能用一个客户端处理管道中的所有调用。

第一步是写系统提示。笔记给出的例子非常克制：“你是一个专精主题分析的定性研究助手。严格遵循用户指令。永远只返回有效的 JSON，无标记、无前言、无解释。仅使用用户要求的 JSON 模式。”这种不解释、不废话的设定，避免了模型在长对话中自行发挥。

第二步，把访谈记录按段落切成不大于2000字符的块，每个块独立送进模型提取初始编码。原因很直接：长文本会稀释模型的注意力，而分块既能保证每次分析聚焦，又不会因为逐段请求增加额外成本（Oxlo 按请求而非令牌计费）。来自一份虚构远程工作倦怠访谈的样本文本显示，模型能准确抓取“边界消失”“无形的在线压力”“策略失效”这些维度，并以结构化形式返回。

笔记并没有回避“自动化会不会失真”的问题，而是用技术手段给出自己的判断：如果把管道设计成可检查、可复现的步骤，研究者随时可以回溯编码来源，质疑某个分类的逻辑。这个透明度是手工分析难以逐个案例保证的。对于那些需要快速处理大量材料、提取可引用证据的社会科学家来说，这份实战手册提供了一条成本可负担的路径。