Monica AI提示词技巧：先设判断标准再找差评原因

做用户研究或分析差评时，常踩同一个坑：把一堆原始评论丢给AI工具（比如Monica），指望它自动提炼出产品的真实短板。

结果往往令人失望——AI要么输出一堆高频词列表，要么把“发货慢”这类运营问题跟“电池鼓包”这种硬件缺陷混为一谈，完全没法落地。症结在哪？你跳过了最关键的一步：先让AI掌握“归类逻辑”。

下面这套验证过的流程，能给你的AI装上“产品缺陷分类校准器”，让它输出真正可执行的分析结论。

让Monica先输出差评归因判断标准

第一步：别急着分析。先做这个小动作——在输入框里粘贴至少5条真实差评样本（表述风格尽量多样），换行后输入以下提示词：

“你是一个拥有10年电商用户研究经验的产品体验分析师。基于我提供的差评样本，先不要分析具体问题，直接输出一套可执行的【差评归因判断标准】。标准必须包含四个强制维度：① 问题是否指向产品本体功能失效（如按键失灵、APP闪退）；② 问题是否源于说明书/包装/客服引导缺失（如‘根本不知道怎么充电’）；③ 问题是否由用户误操作引发但产品未设防错机制（如‘一碰就关机，没任何提示’）；④ 问题是否属于合理预期外的场景覆盖不足（如‘雨天耳机进水’但产品未标注IPX4）。每条标准后附1个你从样本中摘录的原句作为例证。注意：不要合并维度，避免‘可能’‘大概’等模糊表述，每条标准必须可验证、可打勾。”

第二步：等Monica返回四条结构化的标准后，再把全部差评文本重新发过去，追加一句指令：“严格按你刚才制定的四条标准逐条归类，每条评论只归属一个最匹配的维度，标出原文序号。”

这一步绝对不能省——如果直接扔几百条评论让Monica总结，它会按词频排序，把“发货慢”这种运营问题和“电池鼓包”这种安全缺陷并列。先锁定判断标准，相当于给AI装上了产品缺陷分类的校准砝码。

避开常见陷阱的三个关键点

陷阱一：禁用“用户体验”“满意度低”这类虚词开头

Monica对抽象词几乎没有解析能力。一旦你说“体验差”，它就会直接调用情感分析模型，最后输出一个“情绪消极占比73%”这种毫无价值的结论。必须用“按键失灵”“无法配网”这类具象动词短语启动判断。

陷阱二：样本里必须混入一条“假差评”

故意夹一条“快递员态度恶劣”这种明显不属于产品维度的评论。如果Monica把它归到维度②（说明书缺失），说明它根本没理解维度定义——此时必须立刻修正标准中的动词，把“引导缺失”改为“与产品物理交互或数字界面直接相关的信息缺失”。【维度定义必须锚定在产品可控范围内】

陷阱三：限定输出格式用符号分隔

在提示词末尾明确写上：“四条标准用◆分隔，每条标准内用｜分隔‘维度名称｜判定依据｜例证原句’”。Monica对符号指令响应稳定，比写“请分四点列出”更可靠。

验证标准是否有效的实操检验

标准输出了，如何判断它是否好用？可以启动实测检验：

第一步：把Monica输出的四条标准复制到一个新对话框。

第二步：输入：“假设现在有一条新差评：‘充电10分钟掉电20%，充满后只能用2小时’。请严格对照你刚才输出的四条标准，告诉我它属于哪一条，并说明理由。”

第三步：检查Monica的回应。如果它回答“属于维度①，因为涉及电池续航功能失效”，说明标准已激活产品本体判断逻辑；如果它回答“需要更多信息”，说明标准中缺少可操作的判定触发词，要补上“出现‘掉电’‘续航不足’‘充不满’等关键词即触发维度①”。