作者丨正在学AI的小泉同学
假设你要做一个手机流量套餐客服。
产品很简单，一共有 4 个套餐：
经济套餐：50 元，10G。
畅游套餐：180 元，100G。
无限套餐：300 元，1000G。
校园套餐：150 元，200G，仅限在校生。
用户来了以后，会问各种问题：
“有没有便宜的？”
“流量大的套餐有什么？”
“200 元以内的有吗？”
“我要无限量那个。”
你要让 AI 客服推荐合适套餐。
听起来像一个普通客服问题。
但里面藏着一个关键难点：
用户说的是自然语言，系统需要的是结构化信息。
第一步：先让 AI 理解用户意图
用户说：
“有没有便宜的套餐？”
人一看就懂。
他的真实意思是：
“按价格从低到高推荐。”
但系统不懂“便宜”这个词。
系统需要的是类似这样的结构：
“sort = price ascend”
这一步，叫 NLU。
也就是自然语言理解。
我们可以先用 Prompt 实现它。
比如：
“你的任务是识别用户对手机流量套餐产品的选择条件。每种套餐包含名称、月费价格、月流量。请根据用户输入，识别用户在这些属性上的倾向。”
这时候 AI 能大概理解。
但还不够。
因为它可能输出一段自然语言解释。
而程序读不懂自然语言解释。
所以我们要继续加要求。
第二步：让 AI 输出 JSON
我们可以告诉 AI：
请以 JSON 格式输出。
这一步很关键。
因为 JSON 是程序能理解的格式。
但只说“输出 JSON”也不够。
你还要定义字段。
比如：
name 字段只能是经济套餐、畅游套餐、无限套餐、校园套餐之一。
price 字段包含 operator 和 value。
data 字段包含 operator 和 value。
sort 字段包含 ordering 和 value。
你看，这就是 Prompt 的工程化。
不是一句“帮我理解用户”。
而是把输出结构提前设计好。
这样 AI 的结果才能进入后续系统。
第三步：用例子让输出更稳定
比如你给它这些例子：
“便宜的套餐”对应价格升序。
“不限流量”对应 data = 无上限。
“流量大的”对应流量降序。
“100G 以上最便宜”对应 data 大于等于 100，同时价格升序。
这些例子会让 AI 更稳定地理解用户表达。
因为用户不会按照字段说话。
用户只会按照日常语言说话。
他说“土豪套餐”，可能是在说贵的。
他说“够刷视频的”，可能是在说流量要多。
他说“别太贵”，可能是在说价格上限。
AI 的价值就在这里：
它能把模糊语言翻译成结构化意图。
但前提是你要给它清晰规则和示例。
第四步：不要猜用户没说的信息
这是客服系统里非常重要的一条。
用户说“有没有便宜的套餐”。
你不能顺手帮他猜：
“他应该想要 100G。”
“他应该不是学生。”
“他应该预算 200 元以内。”
这些都不能乱猜。
所以 Prompt 里要写清楚：
只输出用户提及的字段，不要猜测用户未直接提及的字段。
这句话看起来不起眼，但能减少很多系统错误。
尤其是客服、金融、医疗、政务这类场景。
AI 可以理解，但不能脑补。
理解是能力。
不脑补是纪律。
这套方法有什么价值？
它能让你在产品早期，用很低成本搭出一个可用原型。
不用一开始就训练模型。
不用先做复杂算法。
不用写一堆规则正则。
先用 Prompt 把核心链路跑起来。
用户输入。
AI 识别意图。
输出结构化结果。
系统根据结果查询套餐。
再生成自然语言回复。
这样一个智能客服的雏形，就出来了。
不完美，但能验证方向。
这对早期产品非常重要。
因为很多时候，你最先需要的不是一个完美系统。
而是一个能验证真实用户需求的系统。
结尾行动清单
做智能客服类产品，可以先拆成 3 步：
1.用户说了什么？
2.这句话对应什么结构化意图？
3.系统根据意图应该做什么？
Prompt 最适合解决第一步到第二步。
也就是：
把自然语言，翻译成系统能理解的语言。
这一步做好，AI 就不只是会聊天。
它开始能进入业务系统了。