叙事推理提示词是一类专门引导大语言模型理解故事内部逻辑结构的指令文本。与传统的事实问答不同，叙事推理要求模型不仅识别故事中发生了什么，还要解释为什么会发生、事件之间的因果关系是什么、人物的行为背后隐藏着哪些动机。设计这类提示词时，需要把故事的构成要素显式地拆解出来，让模型按照结构化的框架去分析，而不是简单地给出一个笼统的概括。

理解故事逻辑的核心难点在于，故事中的信息往往是不完整的。作者可能会故意隐去某些动机，或者通过倒叙、插叙打乱时间线。一个有效的叙事推理Prompt需要引导模型区分显性信息和隐性信息，在回答中明确标注哪些是直接从文本中提取的事实，哪些是基于上下文的合理推断。这种区分对于后续的结果验证至关重要，因为如果模型把推断当作事实输出，整条推理链的可信度就会大打折扣。

叙事推理Prompt的结构化设计框架

设计叙事推理提示词时，最实用的做法是把分析任务分解为几个独立的维度。角色动机分析是第一个维度，要求模型识别每个关键角色在故事中的目标、行动和结果。比如可以这样写Prompt：请分析故事中每个人物的核心动机，对于每个角色，列出他们的目标、为实现目标采取的行动、行动的结果，以及这些行动对其他人物的影响。这样的指令迫使模型逐一梳理人物关系网，而不是只聚焦在主角身上。

事件序列分析是第二个维度。故事中的事件并不是孤立存在的，它们之间存在时序关系和因果依赖。一个精心设计的Prompt会要求模型先按时间顺序排列所有关键事件，然后标出每个事件的前因和后果。这里有一个容易被忽视的技巧：要明确告诉模型区分时间先后和因果关系的差异，因为两个事件在时间上相邻并不代表它们之间存在因果联系。很多故事恰恰利用了这种时间上的巧合来制造悬念或误导读者。

冲突节点的识别是第三个维度，也是叙事推理中最能体现分析深度的部分。冲突可以是人与人之间的对抗，可以是人物内心的矛盾，也可以是人物与环境之间的张力。在Prompt中，可以要求模型找出故事中的主要冲突点，分析冲突的起因、升级过程和最终解决方式。如果冲突没有被解决，还要让模型指出这个开放性的结局对故事整体的意义有什么影响。

从浅层提取到深层推演的Prompt编写技巧

很多开发者在设计叙事推理提示词时会犯一个错误：只提出一个泛泛的问题就期望模型给出深度分析。例如直接问“这个故事讲了什么”，模型大概率只会返回一个表面的情节摘要。正确的做法是把推理过程拆成多个层次，每一层都给出明确的输出格式。第一层是事实提取层，要求模型列出故事中所有可观察的事件和明确的陈述。第二层是关系构建层，让模型在事件之间建立连接，包括时间连接、因果连接和对比连接。第三层才是深度推演层，要求模型基于前两层的结果进行推断，解释人物的隐性动机和故事的主题。

约束条件在深层推演中起着关键作用。如果不用约束条件限制模型的输出范围，模型很容易产生过度推断，把读者自己的想象强加到故事之上。一个有效的约束写法是：在进行推断时，请为每个推断结果引用原文中的具体证据。如果原文中没有直接证据，请明确指出这一点，并将该推断标记为推测性结论。这样的约束让模型养成了区分证据强度等级的习惯，也方便下游系统对推理结果进行人工审核或自动化校验。

多轮追问是提升推理深度的另一个重要手段。第一轮可以让模型给出故事的整体逻辑框架，第二轮针对框架中的薄弱环节追问，比如要求模型解释某个角色的行为动机与之前建立的性格设定是否一致。如果存在不一致，就要求模型进一步探讨这种不一致是作者的有意设计还是故事逻辑中的缺陷。这种递进式的对话流程比一次性输出所有内容更能暴露模型推理过程中的漏洞。

用代码实现叙事推理提示词调用

下面是一个使用Python调用大语言模型API进行叙事推理的完整示例。这段代码展示了如何将结构化的提示词模板与变量填充结合起来，实现可复用的故事分析功能。代码中定义了三个不同的分析阶段，分别对应事实提取、关系构建和深度推演，每个阶段都有明确的输出格式要求。

import json
import re
from typing import Dict, List
class NarrativeReasoningEngine:
    """叙事推理引擎：用结构化Prompt引导LLM分析故事逻辑。"""
    def __init__(self, api_client, model_name: str):
        self.api_client = api_client
        self.model_name = model_name
        # 三个阶段的Prompt模板
        self.fact_extraction_template = self._build_fact_template()
        self.relation_template = self._build_relation_template()
        self.inference_template = self._build_inference_template()
    def _build_fact_template(self) -> str:
        return """你是一名叙事分析专家。请阅读以下故事内容，完成第一层分析：事实提取。
故事内容：
{story_text}
请严格按以下格式输出JSON：
{{
  "characters": [
    {{
      "name": "角色名称",
      "explicit_actions": ["明确提到的行为"],
      "explicit_words": ["明确说过的关键话语"],
      "known_attributes": ["文本中明确给出的属性"]
    }}
  ],
  "events": [
    {{
      "event_id": "事件编号，按出现顺序从1开始",
      "description": "事件描述，只包含原文明确陈述的内容",
      "is_explicit": true
    }}
  ],
  "settings": ["故事中明确提到的场景信息"]
}}
注意：只输出原文中明确出现的信息，不要添加任何推断。"""
    def _build_relation_template(self, extracted_facts: Dict) -> str:
        facts_str = json.dumps(extracted_facts, ensure_ascii=False, indent=2)
        return f"""你是一名叙事分析专家。下面是从故事中提取的显性事实。请完成第二层分析：关系构建。
已提取的事实：
{facts_str}
请分析以下关系类型：
1. 时序关系：按照故事实际发展的时间顺序排列事件（注意：叙事顺序可能不等于时间顺序）
2. 因果关系：标记每个事件的前因和后果，用"事件A导致事件B"的格式描述
3. 人物关系：描述每个角色之间的互动动态
请严格按以下格式输出JSON：
{{
  "chronological_event_order": ["按时间顺序排列的事件ID列表"],
  "causal_links": [
    {{
      "cause_event_id": "原因事件ID",
      "effect_event_id": "结果事件ID",
      "causal_mechanism": "因果机制的文字说明"
    }}
  ],
  "character_relations": [
    {{
      "character_a": "角色A",
      "character_b": "角色B",
      "relation_type": "关系类型，如盟友、对手、亲属等",
      "interaction_summary": "两者互动的简要描述"
    }}
  ]
}}
重要约束：只基于已提取的事实建立关系，不要引入任何新的假设事件。"""
    def _build_inference_template(self, facts: Dict, relations: Dict) -> str:
        facts_str = json.dumps(facts, ensure_ascii=False, indent=2)
        relations_str = json.dumps(relations, ensure_ascii=False, indent=2)
        return f"""你是一名叙事分析专家。基于前两轮分析结果，请完成第三层分析：深度推演。
第一层（事实提取）结果：
{facts_str}
第二层（关系构建）结果：
{relations_str}
请完成以下推演任务：
1. 动机推演：对于每个角色的关键行为，推断其背后的动机。必须标注推断类型（有证据支持/推测性）。
2. 主题识别：总结故事的核心主题，并说明主题与情节之间的关联。
3. 逻辑一致性检验：检查故事中是否存在情节漏洞或逻辑矛盾。如果发现，请具体说明。
4. 反事实推演：假设某个关键事件没有发生，故事的后续发展可能会有什么不同？
请严格按以下格式输出JSON：
{{
  "motivation_analysis": [
    {{
      "character": "角色名",
      "action": "具体行为",
      "inferred_motivation": "推断的动机",
      "evidence": ["支持该推断的原文证据，如果没有则填空数组"],
      "confidence": "high/medium/low"
    }}
  ],
  "themes": [
    {{
      "theme": "主题名称",
      "supporting_events": ["支撑该主题的事件ID"],
      "explanation": "主题与情节关联的解释"
    }}
  ],
  "logical_issues": [
    {{
      "issue_description": "逻辑问题的描述",
      "severity": "critical/moderate/minor",
      "related_events": ["涉及的事件ID"]
    }}
  ],
  "counterfactual_analysis": [
    {{
      "removed_event_id": "假设未发生的事件ID",
      "projected_alternative": "预期可能的不同发展路径",
      "reasoning": "推演依据"
    }}
  ]
}}
注意：推断必须基于前两层的数据，不能凭空创造原文中不存在的元素。"""
    def analyze_story(self, story_text: str) -> Dict:
        """执行三个阶段的叙事推理分析。"""
        # 第一阶段：事实提取
        fact_prompt = self.fact_extraction_template.format(story_text=story_text)
        fact_response = self.api_client.call(
            model=self.model_name,
            prompt=fact_prompt,
            temperature=0.1
        )
        facts = self._parse_json_response(fact_response)
        # 第二阶段：关系构建
        relation_prompt = self._build_relation_template(facts)
        relation_response = self.api_client.call(
            model=self.model_name,
            prompt=relation_prompt,
            temperature=0.1
        )
        relations = self._parse_json_response(relation_response)
        # 第三阶段：深度推演
        inference_prompt = self._build_inference_template(facts, relations)
        inference_response = self.api_client.call(
            model=self.model_name,
            prompt=inference_prompt,
            temperature=0.3
        )
        inferences = self._parse_json_response(inference_response)
        return {
            "facts": facts,
            "relations": relations,
            "inferences": inferences,
            "meta": {
                "model": self.model_name,
                "analysis_stages": ["fact_extraction", "relation_building", "deep_inference"]
            }
        }
    def _parse_json_response(self, response_text: str) -> Dict:
        """从LLM响应中提取JSON部分。"""
        # 尝试直接解析
        try:
            return json.loads(response_text)
        except json.JSONDecodeError:
            pass
        # 尝试提取JSON代码块中的内容
        json_match = re.search(r'```(?:json)?\s*(\{.*?\})\s*```', response_text, re.DOTALL)
        if json_match:
            return json.loads(json_match.group(1))
        # 尝试提取第一个大括号包围的内容
        start_idx = response_text.find('{')
        end_idx = response_text.rfind('}')
        if start_idx != -1 and end_idx != -1 and end_idx > start_idx:
            return json.loads(response_text[start_idx:end_idx+1])
        raise ValueError("无法从LLM响应中解析出有效的JSON格式。")
def build_error_trace_prompt(original_story: str, previous_output: Dict, issue_desc: str) -> str:
    """构建错误追溯提示词，用于修正推理链中的问题。"""
    previous_str = json.dumps(previous_output, ensure_ascii=False, indent=2)
    return f"""之前的叙事推理结果中存在以下问题，请重新分析并修正。
故事原文：
{original_story}
之前的分析结果：
{previous_str}
发现的问题：
{issue_desc}
请针对上述问题重新进行相关维度的分析，并给出修正后的完整结果。
输出格式与之前保持一致，但请重点说明修正了哪些内容以及修正的理由。"""
def main():
    # 示例用法：假设api_client已经配置完成
    story_sample = """
    李明是镇上唯一的面包师。十年前，他的弟弟在一场大火中失踪，所有人都认为弟弟已经死了。
    李明每天凌晨三点起床烤面包，下午关门后就去镇上的图书馆查阅旧报纸。
    一天，一位陌生女人走进面包店，她脖子上戴的银质吊坠让李明愣住了。
    那枚吊坠是他母亲的遗物，十年前弟弟失踪时一直戴在身上。
    女人说她叫苏珊，三年前从邻镇搬来，这枚吊坠是在一家二手店买的。
    李明颤抖着问她是否认识卖吊坠的人。苏珊回忆说，卖吊坠的是一位独居老人，
    但老人已经在一年前去世了。李明当天晚上关店后，没有去图书馆，
    而是去了苏珊提到的那家二手店。店主告诉他，那位老人的遗物中还有一封信，
    收信人写的是李明的名字。信中说，弟弟当年并没有死，而是被老人的儿子救了，
    但弟弟失去了所有记忆，在邻镇生活了十年。老人临终前想把真相告诉李明，
    但已经来不及了。信的最后附着一个地址，是弟弟现在的住所。
    """
    engine = NarrativeReasoningEngine(api_client=None, model_name="default")
    # 实际调用时替换api_client为真实的API客户端
    # result = engine.analyze_story(story_sample)
    # print(json.dumps(result, ensure_ascii=False, indent=2))
    print("叙事推理引擎初始化完成，等待API客户端注入后即可运行分析。")
if __name__ == "__main__":
    main()

上述代码实现了一个三段式的叙事推理流程。每一段都有独立的Prompt模板，输出格式用JSON严格约束，这样做的目的不仅是方便程序解析，更重要的是强制模型按照预定义的结构去思考。第一阶段只做事实提取，避免了传统问答中模型直接从表面信息跳到结论的问题。第二阶段在事实基础上建立关系，模型无法跳过这一步直接进行因果分析。第三阶段的推演明确要求为每个推断标注证据等级，这种设计让推理过程变得可追溯。

温度参数的选择也有讲究。事实提取和关系构建阶段使用较低的温度（0.1），因为这两个阶段需要稳定且确定的输出。深度推演阶段可以适当提高到0.3，允许模型在合理范围内进行更多样化的推断。但温度过高会导致推理结果发散，失去逻辑一致性。如果下游需要向用户展示推理路径，建议在代码中记录每次调用的完整Prompt和响应，便于后续调试和优化。

设计叙事推理Prompt时的常见误区与改进策略

第一个常见误区是把叙事推理当成信息抽取任务来处理。信息抽取关心的是实体识别、关系分类等局部任务，而叙事推理要求的是全局性的理解，两者在Prompt设计上有本质区别。如果Prompt中只要求模型输出人物、地点、事件等结构化信息，模型不会自发地进行因果分析和动机推演。改进方法是明确加入全局分析维度，例如要求模型输出故事的整体叙事结构图，或者分析叙事视角对信息呈现的影响。

第二个误区是忽视时序约束的重要性。很多故事采用非线性叙事，而模型在默认情况下倾向于按照文本出现的顺序来理解事件。如果Prompt中没有明确要求重建时间线，模型很可能把倒叙中的回忆片段当作当前发生的事件来处理。一个有效的改进策略是在Prompt中加入专门的时间线重建指令，要求模型标注每个事件的叙事位置和时间位置，并分析两者之间的偏差对读者理解的影响。

第三个误区是缺少反事实检验环节。反事实推理是指问“如果某个关键事件没有发生，故事会怎样发展”，这种方法能够有效检验叙事逻辑的严密性。如果模型能够合理推演多个反事实场景，说明它对故事的因果结构有较深的理解。反之，如果反事实推演结果混乱，则说明模型的推理链存在薄弱环节。在Prompt中增加反事实分析任务，不仅能够提升推理深度，还能让用户更直观地感受到故事中每个事件的实际作用。

第四个误区是Prompt过于简短，没有给出足够的约束信息。有些开发者认为提示词越简洁越好，但对于叙事推理这种复杂认知任务来说，过于开放的指令反而会让模型退回到浅层概括模式。一个有效的改进方式是在Prompt中加入具体的输出格式规范，以及针对不同推理维度的评分标准。例如要求模型对每个因果关系的强度进行打分，或者对人物动机推断的可信度进行分级。这些具体的评分要求会迫使模型更加审慎地评估自己的推理结果。