在工作中，我曾接到一个新任务：给定一份非结构化的文本数据转储，要求生成一份关于本季度客户对我们产品评价的详细 PDF 洞察报告。
为此，我编写了一个清晰的提示词，给 Claude 提供了详细的说明，输入了数据集。它很快给出了输出，我也顺利交付了。然而，当我和利益相关者深入审查这份报告时，我们发现了一些令人不安的问题：#Claude 表现得“自信地犯错”。
这并不是指它无中生有地幻觉出事实，而是某种……过度自信的错误。它在季度报告中写道：‘本季度连衣裙部门的负面情绪增加了 23%，表明客户满意度发生重大转变，需要产品团队立即关注。’ 听起来很专业，对吧？然而，这个数据飙升几乎完全是由本季度中期推出的一款已知存在尺码缺陷的爆款单品引起的。只是一个产品，而不是整个部门。但 Claude 对此一无所知，因为我的提示词没有让它去关注这个维度。
为了解决这个问题，我使用 Kaggle 上的 Women’s E-Commerce Clothing Reviews 数据集（包含 23,000 条真实评价）重构了我的 Claude Skill。在原始的提示词中，我只是简单地让它扮演数据分析师并总结部门趋势，这导致了严重的过度概括。为了让 AI Agent 能够提供真正靠谱的深度分析，我们在提示词中必须加入以下 4 行黄金指令：
- 向下钻取： 必须将部门层面的趋势追溯到具体的产品 ID，以检查是否是单一商品扭曲了整体数据。
- 区分局部与系统性： 明确区分局部的产品缺陷（如单件衣服尺码不准）与系统性的品类趋势。
- 量化样本量： 在做出任何基于百分比的断言之前，必须提供分子和分母的具体样本数量。
- 诚实声明局限性： 如果无法在微观产品层面验证根本原因，必须在报告中明确声明这一数据局限性。
传统的商业智能（BI）工具擅长处理结构化数据，但在挖掘非结构化文本的语义时力不从心；而大语言模型（LLM）虽长于语义理解，却极易在缺乏约束的前提下陷入‘过度概括’与‘错误归因’的陷阱。本文提出的四行指令，本质上是为 AI 数据分析 Agent 引入了严谨的归因控制（Attribution Control）。在未来的 AI Agent 生态中，Prompt Engineering 将加速从‘感性的语言调优’走向‘确定性的逻辑约束’。随着 MCP（Model Context Protocol，模型上下文协议）等标准的发展，未来的数据 Agent 将能够自动在多维数据库与非结构化文本之间进行双向交叉验证。这种将统计学严谨性与大模型语义能力深度融合的 Agent 构建范式，才是企业级 AI 应用落地的真正基石。
