发生了什么
一篇题为《LLM Classification Is Feature Engineering》的文章发布在 minimallysufficient.com，链接为 https://minimallysufficient.com/posts/llm-classification-is-feature-extraction/ 。该文未附带摘要，站点分类归入"其他"。从标题与链接路径（llm-classification-is-feature-extraction）可以看出，其核心主张是把"用大模型做分类"重新理解为一次特征工程，或者说特征提取。
为什么值得关注
在经典机器学习流水线中，特征工程往往比分类器选择更能决定效果上限，分类器只负责在已有表示上划出决策边界。围绕这一论点的讨论之所以对从业者有参考价值，在于它替换了当前常见的分工方式：不再让提示词驱动模型直接吐出类别标签，而是让 LLM 承担把非结构化输入转成结构化、可复用特征的那一步，判别逻辑交给规则、阈值或轻量分类器。
这一视角会连带改变工程实践中的若干判断。提示词设计在语义上等同于特征定义，因此需要像特征一样做版本管理与回归测试；评估重点会从"单次输出标签是否命中"转向"特征是否稳定、可区分、可迁移"；特征可以缓存与复用，从而降低重复调用带来的成本与延迟；模型输出的不确定性也被限制在流水线上游，更便于观测与回滚。
需要说明的是，以上是标题所指向的论点框架。文章的具体论证路径、适用边界与案例，仍需以原文为准。