自然语言推理（Natural Language Inference，简称NLI）是自然语言处理领域最经典的任务之一：给定一个前提句和一个假设句，模型需要判断二者的逻辑关系，输出蕴含、矛盾或中立三种标签之一。随着大语言模型的普及，越来越多的开发者开始尝试用Prompt的方式让模型完成这项工作，而不必重新微调一个专用模型。本文将系统讲解三类标签的定义、Prompt的多种写法，以及实际应用中容易踩的坑。
一、NLI任务的底层逻辑与三类标签的定义
自然语言推理的本质是判断两个文本片段之间的逻辑关系。这个任务最早被称为文本蕴含识别（Recognizing Textual Entailment，RTE），后来由斯坦福大学的SNLI数据集和后续的MultiNLI数据集推广为三分类形式。理解三种类别的准确含义，是写好Prompt的第一步。
蕴含表示从前提句可以合理推出假设句。例如前提是“所有的猫都怕水，我家养了一只猫”，假设是“我家的猫怕水”，那么假设被前提蕴含。注意，这里的推理必须是可靠的，不能依赖前提中没有提到的信息。
矛盾表示假设与前提冲突，二者不可能同时为真。例如前提是“今天气温高达三十八度”，假设是“今天非常凉爽”，这就是典型的矛盾关系。
中立是最容易被误解的一类，它表示假设既不能被前提推出，也不与前提冲突。例如前提是“小明今天去超市买了一些水果”，假设是“小明买的是苹果”，前提没有说明具体水果种类，因此既不蕴含也不矛盾，应判定为中立。很多模型在零样本场景下倾向于把中立误判为蕴含，这正是Prompt设计中需要重点解决的问题。
二、零样本与少样本Prompt的编写技巧
零样本（Zero-shot）Prompt不提供任何示例，直接下达指令。这种写法简单，但标签边界容易模糊。一个常见的写法如下：
请判断下面前提和假设之间的逻辑关系，只输出以下三个标签之一：
entailment（蕴含）、contradiction（矛盾）、neutral（中立）。
前提：{premise}
假设：{hypothesis}
标签：这个模板的优点是输出可控，因为强制模型只输出标签本身，方便程序解析。缺点是模型对“中立”的理解可能偏向“不相关”，导致判断偏差。改进方式是在指令中补充每个标签的简短定义，让模型的判断标准与任务对齐。
少样本（Few-shot）Prompt通过在指令中嵌入几个带答案的示例，帮助模型校准判断边界。示例应当覆盖三种标签，且最好包含边界模糊的案例：
你是一个自然语言推理助手。根据前提判断假设的真假关系。
示例1：
前提：三位男子在公园里下棋。
假设：人们在户外玩耍。
答案：entailment
示例2：
前提：三位男子在公园里下棋。
假设：三名女子在打排球。
答案：contradiction
示例3：
前提：三位男子在公园里下棋。
假设：男人们已经是多年的好友。
答案：neutral
现在请判断：
前提：{premise}
假设：{hypothesis}
答案：少样本方式通常能显著提升中立类样本的准确率，因为示例3明确示范了“前提未提及但合理的信息属于中立”这一规则。实践中建议每个标签提供一到两个示例，过多的示例会挤占上下文窗口且边际收益递减。
三、思维链与结构化输出的进阶写法
当任务涉及数值比较、时间推理或多步逻辑时，直接输出标签往往不够可靠。思维链（Chain-of-Thought）Prompt要求模型先给出推理过程，再输出最终标签：
请按以下步骤分析前提与假设的关系： 1. 提取前提中的关键事实 2. 检查假设中的每个断言能否由前提推出 3. 检查是否存在与前提冲突的断言 4. 输出最终标签 前提：一辆红色的自行车停在图书馆门口。 假设：有人骑着这辆自行车来到了图书馆。 分析：
这种写法让模型的判断过程透明可见，便于人工审查和错误定位。缺点是输出变长，解析时需要在文本末尾提取标签，可以通过要求模型“分析完毕后，在最后一行单独输出：标签：xxx”来简化解析逻辑。
如果希望输出便于程序处理，还可以要求JSON格式的结构化输出：
{
"label": "neutral",
"confidence": 0.82,
"reason": "前提只描述自行车停在门口，未说明它是被人骑来的"
}需要注意，confidence字段只是模型自报的置信度，与真实概率分布并不严格对应，只能作为排序或过滤的参考，不宜直接作为阈值决策的唯一依据。
四、常见问题与实战避坑指南
第一个常见的坑是标签名称不统一。不同的NLI数据集使用的标签词不同，有的用entailment/contradiction/neutral，有的用yes/no/unknown，中文场景还可能是“是、否、无法判断”。如果Prompt中的标签词与后续评估脚本的解析规则不一致，会产生大量虚假错误。建议在项目开始时就固定一套标签词表，并在解析时做容错处理，比如把“蕴含（entailment）”这类混合写法统一映射到标准标签。
第二个坑是中立与蕴含的混淆。当假设内容在常识上高度可能成立时，模型倾向于输出蕴含。例如前提“他在法国巴黎旅游”，假设“他会说法语”。模型可能因为常识关联而误判为蕴含，但严格来说前提并未提及语言能力，正确答案是中立。在Prompt中显式强调“只能基于前提文本本身判断，不得引入外部常识”可以有效缓解这一问题。
第三个坑是长文本的场景。NLI传统数据集都是单句级别，而实际应用中前提可能是一篇长文档。这时直接套用短文本Prompt效果会下降，建议先对长文档做分段或摘要，再逐段进行推理，最后汇总标签。对于矛盾检测，只要任一段落与假设矛盾即可判为矛盾；对于蕴含，则要求所有假设断言都能被文档覆盖。
最后，NLI式Prompt在工程上有广泛的应用场景：用它检测生成内容与检索文档是否一致，可以辅助幻觉检测；用它对比新闻标题与正文，可以过滤标题党；用它校验翻译前后的语义一致性，可以自动化评估翻译质量。掌握蕴含、矛盾、中立三类关系的Prompt写法，等于为大语言模型装上了一个逻辑一致性的检查器，这是很多上层应用的地基能力。