本章整理了常见的 Classification Prompt 模板，用于测试和落地 LLM 的文本分类能力。Classification 是 NLP 中最基础也最实用的任务之一，掌握它能让你快速构建各种自动化流程。

---

什么是 Text Classification？

Text Classification（文本分类）是将一段文本分配到一个或多个预定义类别的任务。

┌─────────────────────────────────────────────────────────────┐
│                    Classification 流程                       │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│   输入文本          →      LLM 分析      →      输出标签     │
│                                                             │
│  "这个产品太棒了！"       理解语义            positive       │
│  "服务态度很差"          判断情感            negative       │
│  "还行吧"               匹配标签            neutral        │
│                                                             │
└─────────────────────────────────────────────────────────────┘

---

为什么 Classification 很重要？

---

Classification 的常见类型

---

核心 Prompt 结构

一个好的 Classification Prompt 应包含以下要素：

┌─────────────────────────────────────────────────────────────┐
│                  Classification Prompt 结构                  │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│  1. 任务说明    - 清晰说明要做什么                            │
│  2. 标签空间    - 明确列出所有可能的类别                       │
│  3. 输出约束    - 指定输出格式（只输出标签 / JSON / 等）        │
│  4. 输入数据    - 待分类的文本                                │
│                                                             │
└─────────────────────────────────────────────────────────────┘

通用模板

请将以下文本分类到指定类别中。

类别选项：{label_1} / {label_2} / {label_3}

要求：
- 只输出类别名称，不要解释
- 如果无法判断，输出 "unknown"

文本：{input_text}

类别：

---

Quick Start：Zero-shot 分类

最简单的方式是直接告诉 LLM 要分类到哪些标签：

Prompt:

Classify the text into neutral, negative, or positive.

Text: I think the food was okay.

Sentiment:

Output:

neutral

这种方式适合：

• 快速原型验证
• 标签语义清晰的场景
• 对一致性要求不高的任务

---

Few-shot 分类：更稳定的输出

当你需要更稳定、更可控的输出格式时，使用 Few-shot（提供 2-5 个 examples）：

Prompt:

将文本分类为 positive / negative / neutral。

示例：
文本：这个产品太棒了，强烈推荐！
分类：positive

文本：服务态度极差，再也不来了。
分类：negative

文本：还行吧，一般般。
分类：neutral

现在分类：
文本：包装很精美，但味道一般。
分类：

Output:

neutral

---

示例 1：情感分析 (Sentiment Analysis)

最常见的分类任务，判断文本表达的情绪倾向。

场景：电商评论分析

Prompt:

你是一个情感分析专家。请分析以下商品评论的情感倾向。

分类标准：
- positive：正面评价、满意、推荐
- negative：负面评价、不满、投诉
- neutral：中性评价、陈述事实、没有明显情感

评论：快递很快，但包装有点破损，总体还可以接受。

情感：

Output:

neutral

---

示例 2：意图识别 (Intent Classification)

识别用户消息的意图，常用于客服机器人。

场景：智能客服

Prompt:

你是客服意图分类器。请识别用户消息的意图。

意图类型：
- 咨询：询问产品信息、使用方法
- 投诉：表达不满、要求解决问题
- 退款：申请退款、退货
- 其他：无法归类的消息

用户消息：我上周买的手机屏幕出现了裂纹，这才用了三天，你们怎么处理？

意图：

Output:

投诉

---

示例 3：主题分类 (Topic Classification)

将文本分类到不同的主题领域。

场景：新闻内容分类

Prompt:

请将以下新闻标题分类到对应主题。

主题选项：
- 科技：互联网、AI、手机、软件
- 财经：股市、经济、投资、企业
- 体育：赛事、运动员、比赛结果
- 娱乐：明星、影视、综艺、音乐
- 社会：民生、事件、政策

新闻标题：苹果发布 iPhone 16，搭载全新 A18 芯片

主题：

Output:

科技

---

示例 4：紧急程度分类 (Urgency Classification)

判断工单或请求的优先级。

场景：工单系统

Prompt:

你是工单优先级分类器。根据工单内容判断紧急程度。

紧急程度标准：
- 高：系统宕机、数据丢失、安全漏洞、影响大量用户
- 中：功能异常、性能问题、影响部分用户
- 低：界面问题、建议反馈、一般咨询

工单内容：用户反馈登录页面加载速度很慢，大约需要 10 秒以上，影响了约 20% 的用户。

紧急程度：

Output:

中

---

示例 5：多标签分类 (Multi-label Classification)

有时一段文本可能同时属于多个类别。

场景：内容标签

Prompt:

你是内容标签分类器。为以下文章添加合适的标签。

可用标签：
- 人工智能
- 编程开发
- 职业发展
- 学习方法
- 工具推荐

要求：
- 选择 1-3 个最相关的标签
- 输出格式：标签1, 标签2

文章摘要：本文介绍了如何使用 ChatGPT 提升编程效率，包括代码生成、Bug 修复、代码审查等实用技巧，帮助开发者在 AI 时代保持竞争力。

标签：

Output:

人工智能, 编程开发, 工具推荐

---

进阶技巧：提升分类准确性

1. 明确边界条件

分类标准：
- positive：必须有明确的正面词汇或推荐意图
- negative：必须有明确的负面词汇或投诉意图
- neutral：没有明显情感倾向，或正负参半

边界情况处理：
- "还行" "一般" "可以" → neutral
- "很好但是有点贵" → 看整体倾向

2. 添加置信度输出

请分类并给出置信度（0-100）。

输出格式：
分类：{label}
置信度：{score}

如果置信度低于 70，说明原因。

3. 使用 JSON 结构化输出

请以 JSON 格式输出分类结果：

{
  "text": "原文",
  "category": "分类",
  "confidence": 0.95,
  "reasoning": "简短理由"
}

---

常见问题与解决方案

---

Zero-shot vs Few-shot 对比

建议：

• 开发测试阶段用 Zero-shot 快速验证
• 生产环境用 Few-shot 保证稳定性

---

API 调用示例

Python (OpenAI)

from openai import OpenAI

client = OpenAI()

def classify_sentiment(text: str) -> str:
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {
                "role": "system",
                "content": "你是情感分类器。只输出 positive/negative/neutral 中的一个。"
            },
            {
                "role": "user",
                "content": f"分类以下文本的情感：\n\n{text}"
            }
        ],
        temperature=0,  # 设为 0 提高一致性
        max_tokens=10
    )
    return response.choices[0].message.content.strip()

# 使用示例
result = classify_sentiment("这个产品太棒了！")
print(result)  # positive

Python (Claude)

import anthropic

client = anthropic.Anthropic()

def classify_intent(text: str) -> str:
    message = client.messages.create(
        model="claude-sonnet-4-20250514",
        max_tokens=50,
        messages=[
            {
                "role": "user",
                "content": f"""请识别以下用户消息的意图。

意图类型：咨询 / 投诉 / 退款 / 其他

只输出意图类型，不要解释。

用户消息：{text}

意图："""
            }
        ]
    )
    return message.content[0].text.strip()

# 使用示例
result = classify_intent("我想退掉上周买的那件衣服")
print(result)  # 退款

---

动手练习

打开 ChatGPT 或 Claude，尝试以下练习：

练习 1：基础情感分类

将以下评论分类为 positive / negative / neutral：

1. 物流超快，第二天就到了
2. 质量太差了，用了一周就坏了
3. 价格还行，和市场价差不多
4. 客服态度很好，耐心解答了我的问题
5. 不好不坏，中规中矩

请按格式输出：
1. [标签]
2. [标签]
...

练习 2：设计自己的分类器

尝试为以下场景设计 Classification Prompt：

• 邮件分类（工作 / 个人 / 广告 / 垃圾）
• Bug 报告分类（UI / 功能 / 性能 / 安全）
• 社交帖子情感（开心 / 难过 / 愤怒 / 中性）

---

相关阅读

深入学习 Classification 的更多技巧：

• Sentiment Classification (Zero-shot) - 情感分类基础
• Sentiment Classification (Few-shot) - Few-shot 情感分类
• Few-shot Prompting - Few-shot 技术详解
• Zero-shot Prompting - Zero-shot 技术详解

---

小结

Classification 是最实用的 Prompt 技能之一。记住以下要点：

1. 明确标签空间：清晰列出所有可能的类别
2. 约束输出格式：指定只输出标签，避免多余解释
3. 使用 Few-shot：生产环境下用 examples 提升稳定性
4. 处理边界情况：添加 unknown 或定义清晰的分类标准
5. 低温度设置：API 调用时设置 temperature=0 提高一致性

掌握 Classification，你就能快速构建各种自动化分类流程！