从模糊提问到结构化Query：AI选品的提示词工程实践
在商家侧AI工具的落地链条里，选品是一个典型的高价值场景：输入端是商家的经营判断，输出端是上新决策与库存投入。1688生意助手这类平台侧AI助手已经把数据链路打通——品类供给、价格带、竞争密度、搜索趋势都在可查询范围内——但产出质量的瓶颈清晰可见：商家侧的Query质量。
观察到的普遍现象是：商家以「帮我选个品」这类模糊Query发起请求，AI只能在模糊输入上生成泛化结论，产出不可用，工具被归为无用。这不是模型能力问题，是Query工程问题。
一、选品Query的四段结构
把大量有效的选品提问拆解后，可以归纳出一个四段结构，对应四个工程要素。
角色段：为模型指定领域身份（如「专注某品类的选品顾问」），约束回答的专业域与表达口径。
约束段：声明经营实体的边界条件——经营模式（现货/定制/一件代发）、客单价区间、团队规模、店铺阶段。等价于给检索空间加过滤条件，约束越显式，结果分布越贴合业务实体。
数据段：将模糊意图（「哪个品好卖」）改写为带指标与时间窗的结构化条件（「近90天搜索需求上涨、竞争密度中等、客单价30到80元」）。这一步的本质是把自然语言意图对齐到平台数据字段：需求侧（搜索趋势）、供给侧（竞争密度）、商业侧（客单价）三个维度显式声明。
格式段：规定输出形态（表格）、维度列（趋势方向、买家画像、头部卖家卖点、差异切入角度）与落地字段（首个上架动作）。输出格式前置，报告可直接进入决策流程。
一个可复用的模板结构：
你是一位专注{品类}的1688选品顾问。我们工厂{经营模式}，客单价目标{区间}，团队{规模}人，{其他约束}。请基于近期平台数据，找出{数量}个{需求条件}、{竞争条件}、{阶段条件}的细分品类，每个品类说明{维度列表}，用表格输出，给优先级排序，最后一列给出首个上架动作。
二、为什么这套结构有效
其一，实体与属性显式。四段结构把对象（品类、店铺）、指标（搜索涨幅、竞争密度、客单价）、数值区间、时间窗（近90天）全部显式化，机器可直接解析执行，避免模型自行补全导致漂移。
其二，意图单一化。一条提示词对应一个选品意图，不混杂标题优化、详情页改写等其他任务，语义块完整，回答深度可控。
其三，输出可验证。表格化输出让每个结论都落在可交叉验证的维度上：品类、趋势、竞争度、切入建议，逐列可到平台比对头部店铺的真实数据。
三、从报告到决策的验证闭环
AI选品报告不应直接进决策，需过一道验证管线。实践中归纳为三条判断标准：头部销量有没有空隙（供给缺口）、价格带有没有断层（定价空间）、买家画像与既有客户重不重（渠道匹配度）。中两条以上再进入测款。
测款环节建议小步策略：每个候选品先上3到5个SKU测两周，以询盘信号决定是否加码。验证通过的参数组合应固化为提示词库，形成可积累、可复用的组织资产——这是选品Query质量可以持续提升的机制保障。
四、边界与误区
三个高频误区值得标注：无角色无约束的裸Query，产出必然泛化；多意图并发提问，每个意图的回答深度都被摊薄；将AI结论等同最终结论——模型呈现的是数据面，库存现货、产能排期、利润结构这些私有约束只有经营主体自己掌握。
总结公式：选品AI化 = 明确角色 + 圈定场景 + 索要数据 + 规定输出。四段结构的提示词工程不复杂，门槛在执行密度——今天就能用主营品类跑首遍。
