创建一个AI项目的源码需要根据具体的需求和应用场景来设计。这里，我将提供一个简单的基于Python的文本分类AI模型的示例代码。这个例子使用了`scikitlearn`库来进行文本分类任务。我们将构建一个简单的文本分类器，用于对电影评论进行情感分析（正面或负面）。

首先，确保你已经安装了必要的库：

bash
pip install scikitlearn pandas numpy

接下来是完整的源码示例：

python
导入所需的库
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import accuracy_score, classification_report

1、数据准备
假设我们有一个包含电影评论及其情感标签的数据集
data = {
'review': [
I loved this movie! It was amazing.,
The acting was terrible and the plot was boring.,
A fantastic journey with great performances.,
I can't believe how bad this movie was.,
Absolutely one of the best films I've ever seen.
],
'sentiment': ['positive', 'negative', 'positive', 'negative', 'positive']
}

df = pd.DataFrame(data)

2、数据预处理
X = df['review'] 特征：电影评论
y = df['sentiment'] 标签：情感

将数据分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

使用TFIDF向量化文本数据
vectorizer = TfidfVectorizer(stop_words='english')
X_train_tfidf = vectorizer.fit_transform(X_train)
X_test_tfidf = vectorizer.transform(X_test)

3、模型训练
model = MultinomialNB() 使用朴素贝叶斯作为分类器
model.fit(X_train_tfidf, y_train)

4、模型评估
y_pred = model.predict(X_test_tfidf)

print(Accuracy:, accuracy_score(y_test, y_pred))
print(\nClassification Report:\n, classification_report(y_test, y_pred))

5、预测新评论
new_reviews = [This is an excellent film!, Worst movie ever.]
new_reviews_tfidf = vectorizer.transform(new_reviews)
predictions = model.predict(new_reviews_tfidf)

for review, sentiment in zip(new_reviews, predictions):
print(fReview: {review} Sentiment: {sentiment})

解释：
1、数据准备：我们创建了一个包含电影评论及其情感标签的小型数据集。
2、数据预处理：使用`train_test_split`将数据分为训练集和测试集，并使用`TfidfVectorizer`将文本转换为数值特征。
3、模型训练：使用朴素贝叶斯分类器对训练数据进行训练。
4、模型评估：在测试集上评估模型性能，输出准确率和分类报告。
5、预测新评论：使用训练好的模型对新的评论进行情感预测。

这是一个非常基础的文本分类示例。实际应用中，可能需要更复杂的数据预处理、特征工程以及模型选择。此外，还可以考虑使用深度学习框架如TensorFlow或PyTorch来构建更强大的文本分类模型。