别再背提示词:给 AI 派活的完整五步法
提示词不是咒语。把目标、材料、规则、交付物和验收标准交代清楚,才是把真实工作交给 AI 的方法。
不少人学 AI,第一件事就是到处收集提示词。
“100 个万能提示词”“老板必备提示词”“复制这段话,AI 立刻变专家”……收藏了一大堆,真正工作时还是不知道该复制哪一条。
问题不在提示词少,而在于把提示词当成了咒语。
同一句话,换一家公司、换一份数据、换一个客户,结果就可能完全不同。别人用得好的提示词,拿到你这里未必有用。因为 AI 并不知道你卖什么、资料在哪里、公司的规矩是什么,也不知道什么结果才算合格。
经销商真正需要学的,不是背句子,而是学会把一件工作交代完整。
这篇给你一套可以长期使用的五步法:
目标、材料、规则、交付物、验收。
只要这五件事说清楚,写通知、理拜访、看销售、盘库存都能套用。工具换了,方法也不用换。
一、先看一个典型失败:一句“帮我分析”为什么没有用
假设你把一张销售表发给 AI,只说:
帮我分析一下这个月的生意。
AI 很可能告诉你:
- 关注销售趋势;
- 优化产品结构;
- 加强客户维护;
- 控制库存风险;
- 提升团队效率。
这些话都没错,但没有一条能让员工今天去行动。
为什么?
因为“分析生意”不是一个可以验收的任务。你没有说想解决什么问题,没有说明表里有哪些字段,没有告诉它退货和赠品怎么算,也没有规定结果要给谁看。
再聪明的员工,接到这样的任务也只能猜。
所以,给 AI 派活前,先把“我想让它帮忙”改成“我要它交付什么”。
二、第一步:目标——先说清到底要解决什么
目标不是一个大方向,而是这次工作要回答的具体问题。
“分析销售”太大。
可以改成:
- 找出本月销量下降超过 20% 的主销品;
- 找出连续 30 天没有进货的 A 类客户;
- 找出库存金额最高、周转最慢的十个商品;
- 比较三种促销方案,哪一种在同样费用下毛利更高;
- 把今天业务员的拜访记录整理成明天的跟进清单。
一个好目标有三个特征:
- 对象明确:商品、客户、门店、业务员还是订单;
- 时间明确:今天、本周、本月还是过去 90 天;
- 问题明确:下降、积压、逾期、缺货还是需要跟进。
如果一句话里同时出现“销售、库存、回款、团队、明年增长”,说明目标还没拆开。一次只让 AI 解决一个核心问题,往往比一口气问十件事更有价值。
三、第二步:材料——不给自家资料,AI 只能讲常识
AI 懂很多通用知识,但不懂你这家公司的生意。
要让它回答到点上,必须告诉它可以依据什么。
材料通常包括三类。
第一类:事实数据
例如销售明细、库存表、应收表、客户名单、拜访记录。数据要说明时间、单位和字段含义。
不要只丢一张表。至少补一句:
这张表是一店一品一日的销售明细;销售数量为正数,退货数量单独在“退货数”字段;金额单位为元;统计时间为 7 月 1 日至 7 月 26 日。
这几句能避免 AI 把退货当销售、把箱当件、把含税金额和未税金额混在一起。
第二类:业务背景
同样是销量下降,原因可能完全不同。
旺季结束、厂家断货、业务员离职、区域下雨、客户关店,都可能造成变化。AI 看不到这些背景,就容易把正常波动当异常。
所以要补充已知情况:
7 月 10 日至 15 日仓库缺货;B 区业务员 7 月 12 日离职;本月没有调价。
第三类:公司规矩
例如:
- A 类客户超过 15 天未进货才提醒;
- 临期定义为距离保质期结束不足 90 天;
- 单笔金额超过 2 万元必须由老板确认;
- 客户姓名不得出现在对外材料里;
- 赠品不计销售收入,但计入促销成本。
这些规矩不告诉 AI,它只能按通用理解处理。
四、第三步:规则——告诉它怎么算、怎么判断、什么不能做
很多人给了数据,却没有给规则,结果还是不可靠。
规则不是技术参数,而是你公司做事的口径。
例如要找“沉睡客户”,至少要说清:
- 过去多长时间没下单算沉睡;
- 新客户是否排除;
- 一次性团购客户是否排除;
- 退货单是否算下单;
- 按客户整体判断,还是按某个品类判断。
要算商品利润,也要说清:
- 采购成本用含税还是未税;
- 运费怎样分摊;
- 返利是已到账还是预计;
- 破损、退货、促销费是否计入;
- 算的是单品贡献毛利,还是公司会计净利润。
规则越清楚,结果越能被复核。
还要加上禁止事项。例如:
不要编造表里没有的数据;无法判断就标“资料不足”;不要替我决定是否停供;不要输出客户手机号。
这句话非常重要。它不能保证 AI 永远不出错,却能明确工作边界,也提醒使用者必须检查。
五、第四步:交付物——别只要“分析”,要一件能接着用的东西
AI 输出一大段文章,未必方便工作。
交付物要根据接下来谁使用来设计。
给老板看,可以要:
- 一页摘要;
- 风险从高到低的十条清单;
- 每条只写“问题、依据、建议动作、负责人”。
给业务员用,可以要:
- 一店一行的跟进表;
- 客户、问题、要问的话、截止时间;
- 按今天、三天内、本周分组。
给财务复核,可以要:
- 保留原始订单号;
- 展示计算公式和中间值;
- 对缺失字段单独标红;
- 不做最终信用结论。
交付物越具体,AI 越不容易用漂亮话糊弄过去。
六、第五步:验收——没有检查标准,就没有真正完成
这是最容易被忽略的一步。
很多人看到 AI 输出得很整齐,就默认它是对的。可格式整齐和事实正确是两回事。
验收可以从五个方面做:
- 完整性:该有的字段有没有漏;
- 准确性:抽查几个数字能不能在原表找到;
- 口径一致:时间、单位、退货和返利是否按规则处理;
- 可行动:结果有没有负责人、截止时间和下一步;
- 安全性:有没有泄露客户信息,或越过人的决定权。
最好让 AI 自己先做一次检查:
输出前请逐项核对:有没有使用表外数据、有没有漏掉退货、有没有把箱和件混用。把无法确认的地方列在“待人工核实”中。
但记住:AI 自查不能代替人的抽查。涉及钱、货和客户承诺时,最后一关仍然是人。
七、完整演示一:从“客户欠钱怎么办”变成可用任务
模糊问法:
客户欠钱不还怎么办?
AI 只能给你沟通、协商、法律途径之类的常识。
按五步法改写:
目标: 从应收明细中找出本周需要优先跟进的客户,不替我决定是否停供。 材料: 附件是一张应收表,字段包括客户编号、客户等级、应收金额、约定账期、到期日、最近回款日和负责人;金额单位为元,数据截至 7 月 26 日。 规则: 逾期天数=截至日-到期日;先看逾期超过 30 天,再看金额;A 类客户和新客户单独标注,不直接判定为高风险;没有到期日的列入“资料不全”。 交付物: 输出一张表,包含客户编号、逾期天数、应收金额、最近回款日、负责人、建议跟进时间和待核实项;按优先级排序,不输出联系人手机号。 验收: 总应收金额必须与原表一致;随机抽查三名客户的逾期天数;不得使用表外信息;最后列出无法判断的项目。
这个任务的价值,不是让 AI 替老板催账,而是让财务从几百行数据里快速形成一张可核对的跟进清单。
八、完整演示二:把业务员语音变成门店待办
业务员跑完店后说了一段语音:
老王便利店矿泉水还够,冰柜里啤酒少了,店老板说下周学校放假,饮料可能卖得慢;上次那箱破损还没处理;他周五下午在店。
按五步法设计任务:
目标: 把语音整理成门店拜访记录和下一步待办。
材料: 业务员语音转写、门店名单、公司统一记录格式。
规则: 只整理说过的事实;“可能卖得慢”保留为店主判断,不改写成销量一定下降;破损问题标为售后待办;没有数量就写“数量待确认”。
交付物:
| 门店 | 库存观察 | 客户反馈 | 问题 | 下一步 | 截止时间 |
|---|---|---|---|---|---|
| 老王便利店 | 矿泉水尚可;啤酒偏少,数量待确认 | 学校放假后饮料可能放缓 | 上次破损未处理 | 核对破损单;周五到店确认啤酒库存 | 周五下午 |
验收: 门店名称正确;没有编数量;破损和补货没有混成一件事;待办有负责人和时间。
你会发现,五步法并不复杂。它只是把老板平时带人的经验,完整地说给 AI 听。
九、答得不好,先查任务,不要立刻换工具
AI 第一次输出不好,不一定是模型不行。先按五步倒查:
- 目标是不是太大;
- 材料是不是缺了;
- 规则是不是没说;
- 交付物是不是模糊;
- 验收是不是没有。
如果是语气和格式问题,可以继续要求修改;如果是数据和口径问题,要回到材料与规则,不能只说“再专业一点”。
还有一种情况必须停下来:原始数据本身就错。客户编码重复、日期格式混乱、退货没单列,AI 无法替你修复业务事实。它最多帮你找出疑点,最终仍需要财务、仓库或业务负责人确认。
十、怎样使用《AI 派活五步卡》
这篇配套的五步卡不是提示词大全,而是一张任务设计纸。
每次交一件新工作,按顺序填写:
- 目标:解决哪个具体问题;
- 材料:给哪些数据和背景;
- 规则:按什么口径,什么不能做;
- 交付物:给谁用,长什么样;
- 验收:谁检查,检查什么。
第一次写可能需要十分钟。跑通以后保存下来,下次换数据就能继续使用。这时,一次提问才开始变成公司的工作方法。
今天的动作
从最近一次“不好用”的 AI 对话里挑一件事。
不要换工具,也不要搜索新的万能提示词。把原问题抄到五步卡上,补齐目标、材料、规则、交付物和验收,再重新做一次。
两次结果放在一起,你就能看见:真正拉开差距的不是一句神奇提示词,而是有没有把工作交代完整。
参考资料
- 国家网信办等七部门:《生成式人工智能服务管理暂行办法》,2023-07-13。
- 项目内部培训方法:任务—材料—规则—交付—验收五步法,2026-07。
- 项目内部研究底稿:《快消行业经销商 AI 应用研究说明》,2026-07-24。
下篇:《没有这几张经营表,AI 只能说漂亮话》——真正卡住经销商 AI 的,往往不是模型,而是数据。