Compromise: 轻量级 JavaScript 自然语言处理库

「你会不会觉得，教会一台机器'听懂人话'这件事，总是要么重如泰山（部署重型模型），要么轻如鸿毛却什么也干不了？Compromise 给出了一个中间解：轻到可以跑在浏览器里，但功能足够处理真实业务。」

---

背景：作者 Spencer Kelly 与 NLP 的草根运动

Compromise 的作者 Spencer Kelly（GitHub @spencermountain）是一位加拿大独立开发者，长期活跃于 npm 生态。这个项目的诞生，源于他对当时 NLP 工具生态的不满：当时的自然语言处理，要么是依赖重型服务端 API（调用 OpenAI、百度等），要么是过于学术化的科研库（需要 PhD 才能看懂文档）。他想要一个"普通人也能用"的方案——不需要服务器，不需要 API Key，不需要懂机器学习，只要会 JavaScript 就能跑起来。

从 2016 年发出第一个 commit 至今，Compromise 经历了 14 个大版本迭代（当前 v14.15.1），积累了超过 12,100 GitHub Stars，npm 周下载量超过 180 万次，成为 JavaScript 生态中下载量最高的纯客户端 NLP 库。值得注意的是，它并不是靠"大模型"做到的，而是靠词典驱动的方法——一个 ~14,000 词的词表，配合 83 个词性标签，构成了整个系统的核心。

---

类比：给 JavaScript 的"语言解剖刀"

想象你手里有一把瑞士军刀，Compromise 就是专门处理文字的版本。你丢给它一段英文，它能告诉你：

• 这段话里有几个人名（Named Entity Recognition）
• 哪个词是动词，哪个是名词（Part-of-Speech Tagging）
• 怎么把"is calling"改成"is not calling"（动词变形）
• "2 bottles of beer"减 1 等于什么（数字运算）
• 日期、金钱、分数怎么处理（信息抽取）

它的体积只有 ~250KB（压缩后），比一张高清图片还小，速度却能达到每秒处理约 1MB 文本（相当于 10 个 Wikipedia 页面），大多数句子分析只需 0.1 毫秒——快到可以绑在键盘输入事件上实时运行。

---

核心功能：从 One/Two/Three 三层架构说起

Compromise 采用了独特的三层模块化设计，每一层解决一个层次的语言问题：

/one — 分词层（Tokenization）

负责把一段文字拆成最小语言单元。比如输入 "Wayne's World, party time"，它会输出每个词的原形和归一化形式。这个模块极快（每秒 1MB 文本），适合需要快速扫描大量文本的场景。

/two — 词性标注层（Part-of-Speech Tagging）

在分词基础上，给每个词打上语法标签。它有 83 个词性标签，组成一个有向图结构：#FirstName → #Person → #ProperNoun → #Noun。这意味着当你写 .match('#Possessive #Noun') 时，它能准确匹配"Wayne's World"（所有格 + 名词）。

/three — 短语工具层（Phrase & Sentence Tooling）

在知道词性的基础上，提供更高层次的操作：提取人名、 normalize 大小写、处理数字和金钱、识别日期、修改动词时态等。

插件生态

Compromise 还有丰富的插件体系：

• compromise-dates：增强日期解析（"next Tuesday"、"2 weeks ago"）
• compromise-wikipedia：从维基百科提取实体信息
• compromise-speech：处理口语化表达（填充词、犹豫语气）
• compromise-paragraphs：段落结构分析
• compromise-stats：文本统计

此外还有多语言扩展：法语（fr-compromise）、德语（de-compromise）、意大利语（it-compromise）、西班牙语（es-compromise）等，覆盖欧洲主要语言。

---

技术实现：词典驱动 vs 机器学习

这是理解 Compromise 最关键的一点：它不依赖任何机器学习模型。

传统 NLP（如 spaCy、BERT）通过大量标注语料训练神经网络，模型体积从几百 MB 到几十 GB 不等。Compromise 的思路完全不同——它维护一个约 14,000 词的词典，每个词条记录其所有变形的词性和语义标签。当你输入一个词，它查词典、找规则、做变形，而不是"猜"。

这带来了几个有意思的特性：

• 零冷启动：加载即用，没有模型下载
• 确定性输出：同一个输入永远得到同一个输出（没有随机性）
• 可解释性强：每个标注结果都能追溯到词典中的具体词条
• 隐私友好：完全本地运行，数据不离开浏览器

但代价也很明显：泛化能力有限。对于词典里没有的生僻词、网络用语、新兴表达，效果会大打折扣。它更适合结构相对规范的英语文本，而非高度创造性的写作。

---

上手门槛：Node.js 和浏览器都能跑

浏览器端（CDN）

<script src="https://unpkg.com/compromise/builds/compromise.js"></script>
<script>
  var doc = nlp('The dog ate the apple')
  console.log(doc.nouns().toPlural().text())
  // 输出: "The dogs ate the apples"
</script>

Node.js / 模块化

npm install compromise

import nlp from 'compromise'

var doc = nlp('London is calling')
doc.verbs().toNegative()
console.log(doc.text())
// 输出: "London is not calling"

Compromise 同时支持 CommonJS 和 ES Module，并提供完整的 TypeScript 类型定义（types/three.d.ts），IDE 智能提示开箱即用。

---

代码质量：成熟但有历史包袱

从代码结构来看，Compromise 采用了清晰的模块化设计：src/one（分词）、src/two（词性标注）、src/three（短语工具）、plugins/（插件）四大块。核心逻辑围绕词表（data/）和标注规则（src/2-two/）展开。

测试覆盖有 codecov 集成，CI/CD 流程完善。但需要指出的是，核心代码从 2016 年开始编写，部分早期代码风格较旧（var 声明、回调模式），虽然经过多次重构，仍有一定历史包袱。对于习惯现代 TypeScript 的开发者，初期阅读源码可能会有一定门槛。

---

争议与局限

局限一：只能处理英语（及少量欧洲语言）

词典驱动的方法天然受制于词典规模。英语词表相对完整，但中文、日文等字符语言无法直接支持。项目虽有多语言扩展，但覆盖广度和质量远不及英语。

局限二：无法处理复杂语义

词性标注、实体识别这些任务，Compromise 能做到 80-90% 的准确率，但对于需要深层理解的场景（如情感分析的细微差别、讽刺识别、复杂推理），词典方法天然存在瓶颈。

局限三：文档分散

由于 API 非常丰富（83 个标签、数百个方法），官方的可观测性笔记本（Observable）提供了大量示例，但静态文档相对薄弱，很多用法需要通过示例代码反推。

---

行业意义：在"大模型时代"找到自己的生态位

随着 GPT-4、Claude 等大模型的崛起，有人认为"小 NLP 库没有存在价值了"。但 Compromise 用数据反驳了这个观点：2023-2024 年，它的 npm 下载量不降反升。

原因很朴素：不是所有场景都需要大模型。一个在用户浏览器内运行的表单验证、聊天机器人的前端预处理、快速原型验证——这些场景引入一个 API 调用（延迟、费用、隐私风险）反而是过度设计。Compromise 在这些"轻量 NLP"场景中，仍然是最佳选择。

---

总结：Compromise 是一个"工程味"很重的项目——没有炫目的 AI 技术词汇，没有万亿参数的大模型，但它用最朴素的词典驱动方法，解决了成千上万开发者"想让应用理解点文字"时的真实痛点。在 AI 工具越来越重的今天，它的"轻"本身就是一种价值。

图1：Compromise 词性标注示意 — 输入句子经过 one/two/three 三层处理，逐层添加语言结构信息。