AI舆情分析提示词怎么写：零基础可复用的配置与排错指南
写AI舆情分析提示词，核心不是把“分析舆情”四个字丢给模型，而是把分析对象、判断标准、输出格式和失败处理四件事写清楚。
本文面向零基础用户，按可执行顺序讲清准备、配置、评测和避坑；
适用于用大模型 API 或对话界面做情感分类、事件摘要、风险等级判断的场景。
先明确你要模型输出什么
舆情分析提示词最常见的失败，是模型返回一段“看起来有道理”的长文，但字段缺失、无法入库。
开始写之前，先确定输出结构。
例如每条舆情需要：情感倾向（正面/中性/负面）、风险等级（低/中/高）、涉及主体、一句话摘要、判断依据。
如果后续要进表格或数据库，建议直接要求 JSON 输出，并在提示词里给出字段名和取值范围。
对话界面使用时，可以先手动复制一条样例，确认模型能稳定返回同样结构。
你是一名舆情分析助手。请对用户提供的文本做分类，只输出 JSON，不要输出解释。
字段要求：
- sentiment：只能取 positive、neutral、negative
- risk_level：只能取 low、medium、high
- subject：文本主要涉及的组织或人物
- summary：不超过40字的中文摘要
- reason：引用原文中支持判断的短句把判断标准写进提示词
只给字段还不够，模型对“负面”的理解可能和你的业务不一致。
要把边界条件写成规则。
例如：普通抱怨但无传播诉求，判为 neutral；
出现明确维权、举报、集体投诉、安全指控等表述，判为 negative 且 risk_level 不低于 medium。
规则要可观察，避免“影响恶劣”“严重负面”这类主观词。
可以要求模型在 reason 字段引用原文短句，方便人工复核。
如果文本很短或信息不足，要求模型输出 neutral 并在 reason 中写“信息不足”，而不是强行猜测。
判断规则：
1. 出现“投诉”“举报”“维权”“曝光”“起诉”等词，且指向明确对象，sentiment 判 negative。
2. 仅表达个人不满、未提出诉求，sentiment 判 neutral。
3. 出现人身攻击、安全指控、群体性事件描述，risk_level 判 high。
4. 无法判断时输出 neutral，reason 写“信息不足”。用少量样本做分批评测
提示词写好后，不要直接全量跑。
先准备 20 到 50 条已人工标注的文本，覆盖正面、中性、负面和边界情况，用同一提示词批量调用，统计情感分类准确率和 JSON 解析失败率。
如果用命令行调用 API，可以把提示词保存为 prompt.txt，文本存为 input.jsonl，逐条拼接后请求。
重点检查两类问题：模型是否稳定输出合法 JSON；
负面样本是否被误判为中性。
准确率不达标时，优先补充边界规则，而不是反复改角色描述。
# 示例：检查输出是否为合法 JSON（需安装 jq）
cat output.jsonl | jq -c . > /dev/null && echo "JSON 格式通过"预期结果是命令无报错并输出“JSON 格式通过”。
如果报错，先看模型是否在 JSON 前后加了说明文字，可在提示词中强调“只输出 JSON，不要使用代码块”。
常见失败原因与避坑
输出带解释文字：在提示词末尾追加“不要输出 JSON 以外的任何字符”，并在程序侧做容错解析。
分类结果漂移：同一批文本多次调用结果不一致，通常因为规则太模糊。
把取值枚举固定，减少开放判断。
长文本被截断：舆情原文可能很长，先分段摘要再分类，或截取标题和首段，不要假设模型能完整读完超长内容。
提示词越写越长：规则超过一定数量后模型容易忽略后面的要求。
把必须遵守的字段和枚举放在前面，补充规则放在后面，并定期精简。
验证提示词是否可落地
验证分三层：格式层看 JSON 解析成功率；
业务层看人工抽检的情感分类是否符合规则；
稳定层看同一文本重复调用结果是否一致。
三层都通过后，再接入正式流程。
如果结果用于风险预警，建议保留原文、模型输出和人工复核记录，便于回溯。
提示词不是一次写完就结束，业务规则变化时应同步更新判断标准，并重新跑一遍小样本评测。
常见疑问：提示词里要不要写“你是资深舆情专家”？
可以写，但角色描述不能替代具体规则，字段和判断标准才是稳定输出的关键。
另一个问题是 temperature 怎么设，分类任务通常用较低值减少随机性，具体参数以所用平台文档为准。
