AI 提示模式与提示词

如何描述数据 + 任务，让 AI 输出更稳

Prompt Engineering for Data

写代码有设计模式，写 Prompt 也有模式。掌握这些模式，能让 AI 输出的可用率从 50% 提升到 95%。

模式 1：Persona Pattern (角色模式)

赋予 AI 特定的身份，限制其输出风格和专业度。

示例

你是一位拥有 10 年经验的电商数据分析师，精通用户增长漏斗分析。
请分析以下数据...
输出风格要求：专业、客观，多用数据支撑，少用形容词。

模式 2：Few-Shot Pattern (少样本模式)

给 AI 一个“输入-输出”的例子，让它照猫画虎。这是解决格式错误的杀手锏。

示例

任务：将非结构化地址转换为 JSON。

示例 1：
输入："张三，北京市海淀区中关村大街 1 号，13800138000"
输出：{"name": "张三", "city": "北京", "district": "海淀", "address": "中关村大街 1 号", "phone": "13800138000"}

示例 2：
输入："李四，上海浦东新区陆家嘴环路 100 号"
输出：...

模式 3：Chain of Thought (思维链)

强迫 AI “展示计算过程”。

关键句

请一步步思考 (Let's think step by step)：
1. 首先，筛选出所有有效订单。
2. 然后，按月份聚合。
3. 最后，计算环比增长率。

模式 4：Output Schema (结构化输出)

让 AI 以结构化 JSON/表格输出，能极大降低返工率。

结构化输出模板

请输出 JSON，格式如下：
{
  "metrics": [{"name": "GMV", "value": 12345, "change": -0.12}],
  "insights": ["发现1", "发现2"],
  "risks": ["风险1"],
  "next_actions": ["建议1", "建议2"]
}
要求：不要添加多余字段。

模式 5：Self-Check (自检模式)

让 AI 在输出前自查逻辑和数据引用，减少低级错误。

自检提示词

在最终输出前请自检：
1) 是否引用了不存在的字段？
2) 结论是否与图表/结果一致？
3) 是否存在明显的逻辑跳跃？
若有问题，请先修正后再输出。

模式 6：Constraint Pattern (约束模式)

通过明确边界条件与限制，减少“跑偏”。

约束模板

限制条件：
1) 只能使用 2024 年数据
2) 只统计 paid 订单
3) 输出不超过 5 个结论
4) 每条结论必须引用具体字段

模式 7：Plan-Then-Execute

先让 AI 输出分析计划，再执行，能显著提高准确率。

两步 Prompt

第一步：请输出分析计划（步骤列表）。
第二步：按计划执行并输出结果。

AI 数据分析