百小应ltv提示词的it落地目标是使其作为saas客户成功系统的ltv计算引擎，严格按结构化输入校验字段、动态绑定数据源并输出标准json，支撑bi看板自动取数。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
明确百小应LTV提示词的IT落地目标
你要让百小应（阿里云百炼平台上的智能体）准确计算并解释客户生命周期价值（LTV），不是泛泛而谈概念，而是能接入真实业务字段、识别数据口径差异、按不同分群维度动态输出数值和归因逻辑。这要求提示词必须嵌入IT可部署的结构化指令，而非仅面向市场人员的解释性文案。
第一步：确认你手头的数据源类型——是已接入百炼DataStudio的MySQL/MaxCompute表？还是需要通过API实时拉取的CRM系统字段？【若未完成数据源绑定，后续所有LTV计算将返回空值或模拟数据】
第二步：在百炼控制台进入「智能体配置 → 提示词编排」，切换至「系统提示词」标签页。这里写的每一句都会作为底层约束，影响所有用户提问的响应边界。
构建可执行的LTV计算指令框架
用PROMPT结构填充系统提示词，但需强制绑定IT接口规范：
P（角色）：你是一个SaaS客户成功系统的LTV计算引擎，运行在阿里云百炼平台，只接受结构化输入，不处理模糊描述；
R（请求）：当用户输入含“LTV”“生命周期价值”“客户价值预测”等关键词时，必须先校验参数完整性：①客户ID字段名 ②订单表名 ③支付时间字段名 ④金额字段名；缺任一字段则返回JSON格式报错：{"error":"missing_field","field":"xxx"}；
O（输出）：严格按以下JSON Schema返回，不得增减字段：
{"ltv_value": "number", "cohort_month": "string", "calculation_logic": "string", "data_source_table": "string"}
M（语气）：输出纯技术响应，禁用比喻、口语词、感叹号；
P（目的）：支撑BI看板自动取数，所有字段名必须与DataStudio中注册的元数据完全一致。
注入动态变量实现多租户适配
方法一：用双大括号语法对接百炼变量系统
在提示词中写入：LTV计算基于租户{{tenant_id}}的配置，使用其在DataStudio中注册的表{{orders_table}}，其中客户标识字段为{{customer_id_field}}，首单时间取自{{first_order_time_field}}；
方法二：预置三套标准模板供前端下拉选择
模板A（电商场景）：orders表含order_id、buyer_id、pay_time、actual_amount字段，LTV=过去12个月该buyer_id累计actual_amount；
模板B（SaaS订阅）：subscriptions表含sub_id、account_id、start_date、monthly_fee字段，LTV=monthly_fee×预测留存月数（调用内置ARPU模型）；
模板C（线下服务）：appointments表含apt_id、client_no、service_date、fee字段，LTV=近6个月client_no平均fee×年频次系数（系数表名：ltv_coefficient_{{region}}）；
【注意：模板C中的{{region}}必须由前端传入，不可设默认值，否则跨区数据会混用】
验证与调试关键路径
第一步：在Dify调试面板输入测试指令：“计算客户ID为U8821的LTV，用orders_v3表，时间字段是paid_at，金额字段是final_price”；
第二步：观察返回是否为合法JSON且含data_source_table:"orders_v3"；
第三步：故意输错字段名，如把paid_at写成pay_at，确认是否触发{"error":"field_not_found"}；
第四步：在DataStudio中执行相同SQL，比对数值结果偏差是否≤0.3%；
第五步：将调试通过的提示词发布为正式版本，同步更新API文档中的request body示例。
