立场检测的提示词不再整段重写：拆成六个模块逐个改，错误按标签分流后四个骨干上平均分更高

立场检测的提示词不再当作一整段文字来改写，而是拆成任务定义、准则、支持定义、反对定义、中立定义和输出格式六个功能模块，按固定顺序逐个更新。 此前的自动提示词优化大多面向通用任务，没有围绕立场标签的类别结构来组织，准则、标签定义和输出约束在优化中承担的角色并不区分。 在 SemEval-2016 上，模块化优化在五个骨干模型中的四个上平均 Macro-F1 高于整段提示词优化，Mistral 上的差距最大，为 3.49 分。

错误反馈按金标标签分流：支持定义只吃金标为支持的错例，反对定义只吃金标为反对的错例，准则模块则汇总三类错误。 把三类错误混在一起抽样时，每个标签模块拿到的信号被其他类别的错误稀释。 在 SemEval-2016 上，类别条件分流在五个骨干中的四个上平均 Macro-F1 更高，Phi 高 3.40、GPT-OSS 高 1.05、Mistral 高 4.99、Gemma 高 2.21，Llama 低 0.15。

优化过程不更新模型参数，只改提示词文本，推理时用选中的提示词直接分类。 微调路线需要更新权重，而提示词优化把改动留在文本层面。 实验覆盖 SemEval-2016、GunStance、COVID-19-Stance 和新建的 VaccineStance 四个数据集，以及 Phi-4-14B、GPT-OSS-20B、Mistral-Small-3.2-24B、Gemma-3-27B、Llama-3.3-70B 五个开源权重模型。

这套方法在四个立场检测数据集和五个开源权重模型上做了评估，优化过程不更新模型权重，选中的提示词在推理阶段不需要额外的优化调用。它面向的是需要立场分类的社交媒体分析场景，例如错误信息识别、政治舆论分析和公共卫生监测。VaccineStance 由 2013 至 2022 年间的疫苗相关帖子构成，含 500 条训练、500 条验证和 1000 条测试实例，由三名标注者独立标注。

优化轨迹显示多数模型在早期迭代就有提升，后期增益变小且波动更大，VaccineStance 上还出现骤降后回升。I+R 与 I+R+E 两种推理策略的相对效果随模型和数据集变化，没有一种配置在所有设置中更好。冻结模块消融显示各模块的贡献随骨干模型差异很大，输出格式模块冻结后甚至对 Gemma 和 Llama 略有提升。外部推理器 GPT-5 在 20 个数据集与模型组合中的 17 个带来提升，但 Mistral 在 SemEval 上下降 5.82 分。作者还指出，方法对其他 NLP 任务的泛化性尚未探索，优化后的提示词依赖模型和领域，固定模块结构面向三类标签，扩展到更大标签空间仍是未来工作，且基于 API 的模型更新可能影响可复现性。