WPS_AI角色提示词拆解指南：卖点问题提炼全攻略

空泛的形容词无法形成记忆锚点和信任感，只有细节才能让人产生“这就是我”的共鸣。下面拆解从角色设定到问题挖掘，再到卖点具象化的三步模型。

先锁定角色，再反推角色必遇的问题

第一步，给AI一个精准的人设。比如在提示词中明确：“你是一位拥有3年教培机构课程顾问经验的转化专家。”关键在于，角色设定得越细致，AI越倾向于调取该角色日常工作中被客户反复质疑、充满冲突感的真实问题，而非通用话术。

第二步，紧接着追问：“请列出该角色在每日咨询中，被家长追问频率最高的3个问题。”注意用“被追问频率最高”替代“常见问题”。这个措辞差异能引导AI从真实的对话数据中抓取高频、具体的质疑，例如“试听课上完孩子说没效果，怎么办？”、“老师换得太勤，孩子刚适应又换了怎么办？”而不是输出“如何为孩子选择合适的课程”这类教科书式标准问答。

第三步，直接将这些问题转化为卖点核心句。例如把“试听课没效果怎么办？”改写为：“试听课当场改出效果：你带孩子来 → 我现场演示错题重讲法 → 孩子当场算对3道同类题。”这一步的灵魂：必须保留原问题中的核心动词（“改出”“演示”“算对”），这些动词是用户行动和效果感知的锚点，丢掉了卖点就又飘回去了。

用问题倒逼卖点具象化

有了真实问题，下一步是拆解成用户能“看见”的画面。两个实用方法如下。

方法一：三段式拆解法——问题现状+动作干预+结果对比。可以这样输入指令：“问题：孩子作文总跑题 → 干预：用‘三圈定位法’圈出题干关键词 → 结果：改前连续5篇全跑题，改后能稳定拿到一类文。”这里有个关键提醒：如果不强制AI输出“改前/改后”对比，它很容易默认滑向“提升审题能力”这类无法视觉化的抽象表述。

方法二：工具/场景绑定法。把抽象概念绑定到具体物件或界面上。不说“作文跑题”，而说“孩子在400字作文格子纸上，反复划掉重写了4次第一段”；不说“三圈定位法”，而说“用红笔在试卷题干上画三个同心圆，最外圈标注题目类型，中圈圈出核心动词，内圈锁定限制词”。当AI“看到”红笔、格子纸、同心圆这些真实物件时，它生成的描述自然会脱离“方法科学”的泛泛而谈，变得扎实、可感知。

剔除伪问题，只留可验证的真卡点

不是所有问题都能导向好卖点，必须筛选出那些“可验证”的真卡点。三个硬指标如下。

第一步，警惕所有带着“应该”“建议”“需要”的问题表述。比如“家长应该多关注孩子学习”这不是问题，是结论；而“家长晚上检查作业，翻开数学练习册，发现7个红叉集中在前两行的计算题上”，这才是具象、可验证的真实卡点。

第二步，检查问题是否自带“时间戳”或“空间坐标”。合格的问题必须包含具体的时空节点，例如“期中考试前两周，孩子反复刷题但成绩卡住”、“小升初简历投递截止日前3天，奖项还没凑齐”、“孩子在线上辅导班第4节课开始，频繁切屏看时间”。没有这些节点，AI会自行补全甚至虚构场景，导致卖点脱离用户真实的决策节奏和焦虑点。

第三步，删除所有指向模糊主体的问题。“学生基础差”这种表述不合格。达标的描述应该是：“六年级男生小宇，在使用人教版数学教材第5单元‘圆’的测试中，所有作图题失分率高达82%。”只有当AI看到了具体的姓名、年级、教材版本、单元名称和精准的数据（82%），它才有可能生成诸如“针对小宇的圆规使用定位三步口诀”这样具有不可替代性的具象卖点。

这套方法的本质是“用细节对抗模糊”。当卖点文案里充满了真实的动作、具体的工具、可见的结果和精准的个案，它就自然摆脱了AI的通用腔调，变成了能直接与用户对话、解决其切身之痛的“专家方案”。