社交媒体上的内容审核受复杂政策的约束，这些政策会随着世界事件的变化不断更新。然而，自动化内容审核系统通常限制了对政策变更的轻易适应，且需要从有限的标注数据中学习政策细节，这使得有效执行政策变得具有挑战性。我们提出将内容审核建模为一个二元问题，其中问题验证了构成政策的松散耦合主题。在决策逻辑之上应用以聚合主题特定的验证。这样，问题将主题信息传递给变换器网络，作为显式策略提示，从而促进解释性。该设置进一步利用预训练变换器的零截点能力，加快对策略更新的适应。我们展示了我们提出的方法在两个专有数据集中，分别在经过策划的仇恨言论和商业垃圾邮件政策下注释的社交媒体帖子和评论数据集上，以95%的准确率提升了我们的召回率。