免费关键词提取 / 主题抽取 API 完全教程：一句话总结 100 万文档，零成本给文本装上"找重点"的能力（2026-10-02 验证）
你有没有遇到过这种情况：手头堆了几百篇文章、几千条客服工单、几万条评论，想知道它们到底都在说什么，却不想（也不可能）一篇一篇读。关键词提取（Keyword Extraction）和主题抽取（Topic Modeling）就是干这件事的——它们用算法把一段长文字，自动压缩成几个最关键的词、短语或主题标签。
这是 AI 文本处理里最"低调却高频"的一环：搜索引擎的自动打标签、商品分类、舆情监控、问答系统的意图识别、RAG 知识库的建索引，背后都离不开它。而好消息是，这一环几乎可以零成本跑起来——本文实测整理了 4 条免费路线，从开箱即用的托管 API，到可完全自托管、一分钱不花的开源方案，并给出一段能直接跑的 Python 代码。
一、先分清三个概念：关键词提取 ≠ 分类 ≠ 主题建模
很多人把这几个名词混着用，动手前先对齐口径，能少走很多弯路：
| 任务 | 输入 → 输出 | 典型问法 |
|---|---|---|
| 关键词提取（Keyphrase Extraction） | 一篇文章 → 若干关键词/短语 | "这篇讲的核心是啥，抽 10 个词给我" |
| 文本分类（Text Classification） | 一段文本 → 预设标签之一 | "这条评论是好评、中评还是差评？" |
| 主题抽取 / 建模（Topic Modeling） | 一堆文档 → 若干主题簇 | "这 5000 篇新闻大概分哪几类话题？" |
一句话：关键词提取是"从单篇里揪重点"，主题建模是"从一堆里归纳类别"，文本分类是"往预设框里塞"。本文重点讲前两个——因为它们连标签都不用提前定，最适合"我还不知道数据里有什么"的冷启动场景。
二、4 条免费路线实测盘点
路线 1：Cohere Classify
另外，Cohere 这类托管接口的完整免费额度清单，在免费 API 汇集中心有按厂商整理的对照表，注册前先看一眼不亏。 / 托管 API（最省事）
Cohere 是这几家里把"文本理解"做成产品最彻底的。它的 Classify 端点专为打标签设计，注册即送 Trial Key，额度如下（2026-10-02 从 Cohere 官方文档核实）：
| 额度项 | 实测上限 |
|---|---|
| 全账号每月调用总量 | 1,000 次 |
| Classify / Rerank 速率 | 10 次/分钟 |
| Classify 单条输入 | 最多 512 tokens（长文需截断） |
| Embed | 2,000 输入/分钟 |
| Tokenize | 100 次/分钟 |
Trial Key 明确标注"不可用于生产/商业"。它更偏"文本分类"而非纯关键词抽取，适合你已经知道大概有哪些标签、想快速打标的场景。对纯关键词抽取，下面这条开源路线更对症。
路线 2：KeyBERT（开源，完全自托管，零成本）
KeyBERT 是 GitHub 上最经典的关键词提取库（项目名 MaartenGr/KeyBERT，免费开源）。它的思路特别优雅：用 BERT 类 Embedding 把文档和候选词都向量化，再算相似度，挑出和整篇文档最像的那几个词。
这正好接上了我们站内已经讲透的一条链路——免费 Embedding API 完全教程：零成本搭好 RAG 向量检索地基（2026-09-12 验证）里的向量嵌入，就是 KeyBERT 的"发动机"；而它和免费语义相似度（STS）API 完全教程：零成本给文本装上"像不像"的尺子（2026-10-02 验证）用的是同一套"像不像"数学。你完全可以把 KeyBERT 本地跑，一分钱不花。
路线 3：Hugging Face Inference Providers
先在免费 API 汇集中心挑好你要的接口类型，再去对应厂商注册，能省掉不少来回试错的时间。（有免费月额）
Hugging Face 上有一批现成的关键词/短语句抽取模型（如 ml6team/keyphrase-extraction-kbir-inspec、bloomberg/KeyBART），可以直接托管调用。注意其免费额度是"金额制"而非"次数制"（2026-10-02 官方口径）：
| 档位 | 免费额度 |
|---|---|
| 免费用户 | $0.10 / 月（约 10 万 tokens 量级，极少量） |
| PRO（$19/月） | $2.00 / 月 |
$0.10 真不多，只够做功能验证。真要做批量，要么用本地 KeyBERT，要么回落到上面的托管路由。
路线 4：Jina Reader + LLM（结构化抽取）
Jina 的 Reader 端点（站内2026 免费 Embedding 向量模型 API 全景对比有它的 Embedding 全景）能先把网页/文档转成干净的 Markdown，再交给任何 LLM 用"给我抽 10 个关键词"的提示词结构化输出。Jina 免费层开源版本 1,000 次/天（沿用站内既有口径），适合爬下来直接抽的流水线。
三、动手：10 行 Python 跑通 KeyBERT
下面这段是核心教学内容（唯一一篇代码），装上依赖就能抽关键词：
from keybert import KeyBERT
from sentence_transformers import SentenceTransformer
# 1. 选一个免费的 Embedding 模型（本地跑，不调 API）
model = SentenceTransformer("BAAI/bge-small-en-v1.5")
kw_model = KeyBERT(model=model)
# 2. 待抽取的长文本
doc = (
"Large language models have revolutionized how we build search and "
"retrieval systems. Vector embeddings turn words and documents into "
"points in space, letting us measure semantic similarity and rerank "
"results by relevance."
)
# 3. 抽出 Top 5 关键词，每个 1~2 词
keywords = kw_model.extract_keywords(
doc,
keyphrase_ngram_range=(1, 2), # 允许 1~2 词的短语
stop_words="english", # 去掉常见停用词
top_n=5, # 只要 Top 5
)
print(keywords) # 形如 [("vector embeddings", 0.72), ("semantic similarity", 0.69), ...]
输出就是"关键词 + 与全文的相似度分数"的列表，分数越高代表越像整篇文档的核心。要中文就用 paraphrase-multilingual-MiniLM-L12-v2 这类多语言模型替换第一行的模型名即可。
四、主题抽取：从"一篇"到"一堆"的升级
开始之前多说一句：本文用到的 Embedding、Reranker 等免费接口，都可以在免费 API 汇集中心一键找到并申请各自的免费额度。
关键词提取解决单篇，主题抽取面向批量文档。零成本做法有三档：
- 词频派（最快）：对全部文档做分词 + 停用词过滤 + TF-IDF，按权重聚出高频词簇。无需任何模型，本地 Python 就能跑。
- Embedding 簇派（最稳）：先把每篇文档 embed 成向量（复用上面 Step 1 的 Embedding 那步），再做聚类（KMeans/HDBSCAN），每个簇的中心词就是"主题"。
- 概率模型派（最学术）：BERTopic / LDA，能给出每个主题的"主题词 + 概率分布"，适合写报告。
无论哪一档，产出物都是同一件事：一份"这批数据都在聊什么"的地图。
五、选型速查：我该用哪条路线？
| 你的场景 | 推荐路线 | 理由 |
|---|---|---|
| 只有几篇、要快、要点准 | KeyBERT 本地 | 零成本、质量高、无额度焦虑 |
| 已有预设标签、要打标 | Cohere Classify | 开箱即用，1,000 次/月白嫖 |
| 要抽网页/文档，抽完直接入库 | Jina Reader + LLM | 抓取 + 抽取一条龙 |
| 要处理几千几万篇、找主题 | Embedding + 聚类 | 规模化、可解释 |
六、避坑清单（实测踩过）
挖坑前先补一句：如果你不想自己维护 KeyBERT 的环境，也可以直接在免费 API 汇集中心找支持文本理解的托管接口，把抽取这一步外包出去。
- 别把停用词当关键词：不滤掉 "the / and / 的 / 是"，Top 结果会被虚词霸占。
- 长文要先分段：Cohere Classify 单条 512 tokens，整篇文章塞不进去，要截前 300 字符或分段。
- 别轻信$0.10 月额：Hugging Face 免费的"金额制"很坑，只够验证，批量得用本地 KeyBERT。
- 关键词 ≠ 摘要：关键词是"标签"，摘要是"原文压缩"，两者产出格式不同，别混用一个接口。
七、实战验收清单
跑通之后，用下面这张清单自检，能马上发现"抽得对不对"：
| 自检项 | 通过标准 |
|---|---|
| 停用词 | Top 10 结果里不出现 the / and / 的 / 是 |
| 短语粒度 | 关键词是 1~2 词的短语，不是破碎单字 |
| 领域相关 | 抽出的词和你文章的主题一致，不是泛词 |
| 数量 | 每篇 5~10 个，不多不少 |
| 中文效果 | 换多语言模型后，中文长文也能抽出"向量嵌入""语义相似度"这类术语 |
八、总结与下一步
关键词提取和主题抽取，是文本流水线里"投入产出比最高"的一环：几十行代码就能把几百篇文章的"重点"自动捞出来。它天然是 免费 Embedding API 完全教程 和 免费语义相似度（STS）API 完全教程 的下游应用——向量嵌入 + 相似度 + 关键词抽取，构成一条完整的"理解文本"链路；抽出来的关键词，又能顺手喂给 免费 Reranker（重排序）API 完全教程：给 RAG 检索结果装上精准过滤器 做精准召回。
想把这套能力跑进生产？先到 免费 API 汇集中心 挑一个免费的 Embedding 或 LLM 接口搭好地基，再用本文的代码把关键词抽取接进去。如果你还没账号，点这里免费注册，全程不绑卡。
本文所有额度与限制均于 2026-10-02 从 Cohere / Hugging Face / KeyBERT 官方页面核实，免费额度以厂商实时调整为准。
九、为什么关键词抽取适合放在一切"理解类"任务的最前面
很多同学以为关键词抽取只是"写报告前抓几个词"的小工具，其实它是整条文本流水线的哨兵：在正式做分类、聚类、检索、生成之前，先用它把数据快速"扫一遍"，你就能立刻知道这批数据里有哪些高频概念、哪些领域术语、哪几篇是重点。配合本文第一节的分类清单，你可以把任意一批杂乱文本，在一小时内变成"已打标签、已抽重点、已归好主题"的干净语料。
更进一步，把关键词抽取的输出喂给下游，收益是立竿见影的：关键词可以作为全文索引的标签，让 免费 Reranker（重排序）API 完全教程：给 RAG 检索结果装上精准过滤器 在召回阶段就过滤掉不相关的内容，也可以作为用免费 Embedding API 构建 RAG 知识库的元数据，让检索结果带上"为什么相关"的解释。这套组合拳，正是很多生产级搜索和问答系统的标配。检索落地时的存储与召回环节，可以参考免费向量数据库 API 实力榜单：Chroma / pgvector / Qdrant / Weaviate / Milvus 6 大方案 5 维实测排行，把抽取出的关键词直接写进向量库的元数据。
如果你希望整套流程都在零成本范围内跑通，本站的免费 API 汇集中心已经把 Embedding、Reranker、向量数据库、LLM 调用等免费接口按场景分好了类，照着链接去申请即可；还没有账号的话，先点这里免费注册，后续所有教程都能直接上手实践。