写好agentspace数据分析提示词的核心是明确分析目标、限定数据范围、规定输出格式、嵌入校验逻辑。需用业务语言精准描述“分析什么、基于什么条件、输出什么、如何校验”，避免模糊表述，确保ai稳定输出贴合需求的结果。
☞☞☞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☜☜☜
写好 AgentSpace 的数据分析提示词，核心是让 AI 明白“你要分析什么数据、基于什么条件、输出什么结果、格式怎么规范”。不是越长越好，而是越具体、越有上下文约束，AI 输出越稳定、越贴近业务需求。
明确分析目标和业务场景
避免模糊表述如“分析一下数据”或“看看有什么问题”。要直接点出目的，比如：
- “识别过去30天订单中退款率高于15%的SKU，并按退款原因归类排序”
- “对比华东与华南区域Q2客户复购率，找出差异超过5个百分点的细分客群”
- “从用户行为日志中提取完成注册但7日内未下单的新客路径，统计各环节流失率”
把“为什么分析”隐含在目标里（如优化选品、定位区域策略、提升转化漏斗），AgentSpace 才能调用合适的数据逻辑和指标口径。
限定数据范围和字段边界
AgentSpace 通常对接多张表或多个数据源。提示词中需清晰说明：
- 涉及哪些表/数据集（如：sales_order、user_profile、event_log）
- 关键字段名及含义（如：“order_status=‘completed’且refund_amount > 0”）
- 时间范围（如：“2024-04-01 至 2024-06-30”，避免“最近一季度”这类模糊表达）
- 过滤条件优先级（如：“先筛高价值用户（LTV ≥ 500），再看其售后行为”）
字段名尽量用实际数据库中的命名，减少歧义；大小写、下划线等细节保持一致。
规定输出结构和交付形式
告诉 AgentSpace “你希望结果长什么样”，能大幅降低返工概率：
- 指定格式：“返回 JSON，含字段：sku_id、refund_rate、top3_refund_reasons（数组）、建议动作（字符串）”
- 要求可执行：“每条结论后附1条可落地的运营建议，例如‘对SKU_A增加开箱视频引导’”
- 控制粒度：“按日聚合趋势，不输出原始明细行” 或 “只返回TOP10，附置信度评分”
- 标注口径：“复购率 = 二次及以上下单用户数 / 首单用户总数（去重）”
结构化输出便于后续接入BI或自动化流程，也倒逼分析逻辑更严谨。
嵌入校验逻辑和容错提示
真实数据常有缺失、异常或口径漂移。可在提示词末尾加轻量校验指令：
- “若某SKU退款率计算分母为0，请标记为‘数据不足’并跳过排序”
- “当某区域样本量＜200时，在结果中标注‘小样本，谨慎参考’”
- “检查user_id是否在user_profile表中存在，缺失则归为‘未知客群’并单独统计”
这类提示不增加复杂度，却能让输出更鲁棒，也暴露数据质量问题本身。
不复杂但容易忽略——精准的提示词本质是“用业务语言写一份微型分析需求说明书”，而不是让 AI 猜你要什么。
