在让AI分析产品差评之前，先让它输出一套判断标准，这一步看似简单，但很多人其实忽略了它的关键性。因为如果没有统一标准，AI很容易把不同性质的问题搅在一起，甚至把个别情绪化吐槽当成系统性问题。 怎么让Perplexity AI在分析之前先立好规矩？其实就三步。 **第一步：在提问开头就锚定角色与任务边界。** 直接告诉它“你是一名电商品控分析师”，这个身份一激活，AI就会自动调整对归因逻辑的权重分配，避免它直接用默认的通用问答模板来对待你的需求。 **第二步：加入三重否定约束，切断AI的自由发挥空间。** 指令要明确到让AI没法绕弯——明确告诉它：不解释产品功能、不复述用户原话、不使用“可能”“大概”这种模糊词。剩下的，只能是可操作、可验证、可分类的判定条件。 **第三步：要求输出结构必须是带编号的条目式清单。** 每一条都得包含三个要素：判定依据、证据类型、排除情形。 举个例子： “1. 判定为供应链问题 → 依据是差评中间出现≥3次‘缺货’‘断发’‘延迟超7天’；证据类型为京东/拼多多订单截图时间戳；排除情形为单条提及‘等不及就取消了’。”

**标准出来了，怎么验证它靠谱不？** 方法一：直接拿真实差评语料反推。 把5条典型差评原文粘贴进提示词，末尾加指令：“请逐条标注每句话触发哪条判断标准（引用上一步生成的编号），如果某句话没命中任何一条标准，就新增一条标准并说明补充理由。” 方法二：对AI返回的标准清单进行追问。 挑其中一条，追加指令：“请检索近90天小红书平台含‘退货’+‘色差’关键词的笔记，统计‘色差出现在灯光下’与‘色差出现在自然光下’的出现频次比，用这个比例修正你刚才定义的‘色差类差评’判定阈值。” **标准确认无误之后，就可以直接从分析入口出发。** 在新对话中直接输入：“基于你上一轮输出的第1、3、5条判断标准，分析以下12条差评文本（粘贴文本）。输出格式统一为：问题类型｜高频触发标准编号｜对应差评ID（1-12）。” 这一步有个必须遵守的铁律：**严格禁用“因为”“所以”等因果连接词**，防止AI自行补全未经验证的推理链。最终的归因结果，只允许是标准编号与原始ID之间的映射关系。