价值观推理提示词的目标不是让模型回答“这篇文章好不好”，而是把文本中隐含的评价标准、立场预设和情感倾向显式地抽取出来。很多文本表面上在陈述事实，实际上通过形容词、程度副词、比喻和选择性对比传递了明确价值判断。要让模型稳定完成这一任务，提示词需要把识别过程拆成可执行的推理步骤，而不是只给一个模糊的开放式问题。
如果直接问模型“这段文本有什么价值判断”，模型往往会给出一个笼统的总结，比如“作者对这项政策持谨慎态度”。这种回答虽然不算错，但缺少可核验的依据，也无法用于下游的结构化分析。价值观推理提示词的关键在于强制模型展示推理路径：先定位评价性语言，再判断情感极性，接着识别预设前提，最后输出结构化结果。这个过程把隐性的语义判断变成了显式的步骤，不仅能提升准确性，也方便后续做质量评估和错误定位。
价值观推理的基本任务与常见难点
隐含价值判断并不总是以“好”“坏”“支持”“反对”这类直白词出现。它可能藏在一个程度副词里，比如“这项措施大幅降低了成本”中的“大幅”暗示了积极评价；也可能藏在一个对比结构里，比如“与传统方案相比，新框架更灵活”，对比本身就设定了评价标准。更隐蔽的情况是预设前提，例如“该模型终于修复了长期存在的偏差问题”，其中的“终于”和“长期存在”都隐含了此前状态不佳的判断。
从任务边界来看，价值观推理至少要区分三个层面：显性判断、隐性判断和预设前提。显性判断是文本中直接出现的评价词，如“优秀”“糟糕”“高效”。隐性判断则需要通过语义关系推断，例如用“代价”“风险”“牺牲”等词暗示负面评价。预设前提是作者没有明说但逻辑上依赖的背景判断，比如“在保证安全的前提下提高效率”预设了安全与效率可能存在冲突。提示词如果不区分这三类，模型容易把所有内容混在一起，导致输出难以复用。
另一个难点是文化与语境依赖。同一个词在不同领域可能有完全不同的价值色彩。“激进”在投资语境中可能偏负面，但在技术创新讨论中可能偏正面。因此，提示词需要为模型提供足够的上下文约束，说明分析对象属于哪个领域、面向什么读者，以及需要关注哪一类价值维度。
提示词结构：从模糊提问到可执行模板
一个能稳定工作的价值观推理提示词通常包含五个模块：角色设定、任务说明、输出格式、约束条件和少样本示例。角色设定让模型进入分析型视角，而不是创作型视角；任务说明明确要识别的是显性、隐性还是预设判断；输出格式用JSON等结构化方式固定字段，避免模型自由发挥；约束条件限制分析范围，防止过度推断；少样本示例则直接告诉模型什么算合格输出。
下面是一个可直接复用的提示词模板，以文本形式展示：
你是一名价值观推理分析助手。你的任务是识别用户提供的文本中隐含的价值判断，并给出判断依据。
输入文本：
{{text}}
请按以下步骤分析：
1. 抽取所有包含评价倾向的词语或短语；
2. 判断每个评价项的情感极性：正面、负面或混合；
3. 指出文本中是否存在预设前提，例如通过对比、假设或程度词暗示的立场；
4. 输出两类价值判断：显性判断和隐性判断。
输出格式（JSON）：
{
"explicit_judgments": [
{"expression": "评价表述", "polarity": "正面/负面/混合", "reason": "判断理由"}
],
"implicit_judgments": [
{"expression": "隐含表述", "polarity": "正面/负面/混合", "reason": "推断依据"}
],
"presuppositions": ["文本隐含的前提假设"]
}
这个模板的核心价值在于把“分析价值判断”这个抽象任务拆成了可检查的步骤。模型不只是输出结论，还要给出每个判断对应的原文表述和理由。这样一来，使用者可以快速回查模型是否抓住了关键语言信号，还是仅仅根据整体印象做了猜测。实际测试中，加入这种结构化输出后，模型对隐性判断的召回率通常会明显提升。
对比一下普通提问：“请分析这段文字的价值倾向。”这种提示词没有限制输出形式，也没有要求给出依据。模型可能输出一段流畅的评论，但其中混杂了事实描述、作者态度和模型自己的推断。对于需要把结果接入下游系统的场景，这种非结构化输出很难解析。而结构化提示词则要求模型把判断拆成最小单元，每个单元都对应原文中的具体表述，极大地降低了后续处理成本。
用思维链和少样本示例提升推理质量
思维链在价值观推理中的价值不是让模型“多想一会儿”，而是让它在生成最终判断之前，先完成显式的中间推理。比如先抽取评价词，再判断极性，再识别预设，最后综合分类。这样做的好处是，如果中间某一步出错，不会直接污染最终结果。模型可以在后续步骤中根据已抽取的信息进行修正。
少样本示例最好覆盖不同类型的价值判断，尤其是那些容易被忽略的隐性案例。下面是一个示例，展示了如何引导模型处理转折结构和隐性评价：
示例输入：
这项新政虽然提高了审批效率，但也让原本复杂的流程变得更难适应。
示例输出：
{
"explicit_judgments": [
{"expression": "提高了审批效率", "polarity": "正面", "reason": "效率提升通常被视为积极结果"},
{"expression": "更难适应", "polarity": "负面", "reason": "更难适应表达阻碍或成本增加"}
],
"implicit_judgments": [
{"expression": "虽然...但...", "polarity": "混合", "reason": "转折结构弱化了前半句的正面评价，突出后半句负面后果"}
],
"presuppositions": ["新政的审批效率确实有提升", "原有流程存在适应成本"]
}
这个示例清楚地展示了“虽然……但……”结构如何产生隐性判断。模型看到这种示例后，会更倾向于在遇到转折、让步、条件等句式时检查是否有被弱化或强调的评价。没有这种示例，模型可能只抽取“提高效率”和“更难适应”两个显性短语，而忽略转折结构本身的评价功能。
为了进一步提高稳定性，可以对同一段文本进行多次采样，然后对输出结果做投票合并。不同采样可能给出不同但合理的判断，投票可以降低单次采样的随机偏差。一个简单的合并策略是：对显性判断和隐性判断分别按表述文本做聚合，若同一表述在多次采样中出现频率超过阈值则保留，极性取出现次数最多的结果。实现上可以用Python完成，下面是一个简化示例：
import json
def extract_value_judgment(text, prompt_template, llm, n=5):
results = []
for _ in range(n):
prompt = prompt_template.replace("{{text}}", text)
raw = llm.complete(prompt)
parsed = json.loads(raw)
results.append(parsed)
merged = {
"explicit_judgments": majority_vote(
[r["explicit_judgments"] for r in results]
),
"implicit_judgments": majority_vote(
[r["implicit_judgments"] for r in results]
),
"presuppositions": majority_vote(
[r["presuppositions"] for r in results]
)
}
return merged
需要注意的是，自一致性校验不是简单地重复调用模型。它更适合用于对判断结果要求较高的场景，比如内容审核辅助或舆情分析。对于实时性要求高的场景，可以先用单次结构化提示词得到初步结果，再针对低置信度样本做多次采样复核。
评估与迭代：如何判断提示词是否有效
价值观推理提示词的效果不能只靠人工感觉评估，需要建立一个带标注的小型测试集。标注时可以把价值判断分为几个维度：道德判断、审美判断、功利判断、认知判断等。道德判断关注对错、责任、公平；审美判断关注美丑、品味；功利判断关注有用性、效率、成本收益；认知判断关注真假、合理性、可信度。一个文本可能同时包含多个维度的价值判断，标注时要记录每个判断对应的维度和原文依据。
评估指标可以从三个角度设计：识别准确率、覆盖度和假阳性率。识别准确率衡量模型输出的判断是否真的属于价值判断，覆盖度衡量标注集中所有价值判断被模型找到的比例，假阳性率衡量模型把事实陈述误判为价值判断的比例。实际应用中，覆盖度和假阳性率往往需要根据业务场景平衡。例如在内容审核辅助场景中，宁可覆盖度高一些，也不能漏掉有风险的价值引导；而在学术文本分析中，假阳性率过高会引入大量噪声。
常见的错误类型有几种。第一种是把事实陈述当作价值判断，比如“该算法的时间复杂度为O(n log n)”本身不包含评价，但如果模型看到“高效”一词在上下文中出现过，就可能错误关联。第二种是忽略程度词和限定词，例如“相对有效”和“非常有效”的强度差异很大，模型如果不加区分，就会丢失重要信息。第三种是忽视文化语境，比如“强势”在商业语境中可能是中性或正面，但在人际关系语境中可能是负面。针对这些错误，可以在提示词中增加约束条件，要求模型只依据当前文本，不要引入外部背景知识，同时对程度词做分级标注。
迭代提示词的思路不是简单增加更多指令，而是根据错误类型反向补充示例。如果发现模型经常漏掉隐喻类价值判断，就在少样本示例中加入隐喻案例；如果发现模型对预设前提识别过度，就在约束条件中强调“预设前提必须是文本逻辑上依赖但未明说的判断，不能是普遍常识”。每轮迭代只修改一个变量，并重新评估指标，这样能更清楚地定位改进是否有效。