需用强约束提示词将零散用户反馈结构化为日报：①设定SaaS产品运营分析师角色；②用三反引号包裹原始反馈并标记【END_OF_INPUT】；③输出严格按【问题归因】【高频词云】【可落单需求】三段式。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
把零散用户反馈整理成结构化日报
你需要每天从飞书群、邮件、客服系统里捞出几十条用户原话，手动归类耗时且容易漏掉关键信号。直接丢给ChatGPT说“帮我整理反馈”会得到模糊的总结，必须用强约束格式锁死输出结构。
第一步：在提示词开头声明角色→【你是一位有5年SaaS产品运营经验的用户声音分析师】，这个设定能激活模型对“功能缺陷”“体验断点”“高频诉求”的敏感度，避免它把“加载慢”和“闪退”混进同一类。
第二步：明确输入源→用三个反引号包裹原始反馈，每条换行，末尾加【END_OF_INPUT】标记。不加这个标记时，模型可能把最后一句“希望下周上线”误判为用户诉求而非时间描述。
第三步：绑定三段式输出→【问题归因】（仅1项，写清模块+根本原因，如“登录页→JWT token校验逻辑未兼容iOS 18新签名机制”）→【高频词云】（提取5个出现≥3次的关键词，按频次降序排列，不加解释）→【可落单需求】（仅1项，需含用户原话引用+影响范围预估，例：“‘导出Excel总卡住’（37人提及）→影响付费客户报表使用率，建议优先接入后台异步导出”）。
从投诉录音转文字中自动提取产品缺陷
客服录音转写的文本常带语气词、重复句和无关寒暄，人工筛一遍要20分钟。ChatGPT能秒级定位技术根因，但必须喂给它干净的上下文锚点。
方法一：用分隔符强制隔离噪音→在提示词中写明“以下文本已去除‘嗯’‘啊’‘那个’等填充词，且每句话独立成行”，然后粘贴清洗后的文本。不声明这点，模型会把“我试了三次都不行”当成操作步骤而非故障复现证据。
用于在用户想通过浏览器自动化与 Google Gemini 或 ChatGPT 交互时。触发短语包括“ask Gemini”“ask ChatGPT”“ask GPT”“让...”。
方法二：指定缺陷判定标准→追加一句：“仅当用户明确提到功能名称（如‘消息撤回’）、报错代码（如‘Error 409’）或界面元素（如‘右上角齿轮图标’）时，才归类为产品缺陷；纯情绪表达（如‘太差了’）不计入”。这能砍掉70%的误标。
把模糊周报草稿重构成数据支撑的成长复盘
实习生交来的周报常是“做了很多事”“用户反馈不错”，这种描述无法向管理层证明价值。需要让ChatGPT把主观陈述转化成可验证的动作结果。
① 先让模型识别原始文本中的隐含数据点→例如“帮5个客户调优API响应”要被解析为“API平均响应时间从1.2s降至0.4s（监控截图见附件）”，这一步必须要求它返回原始句子+对应数据推论的对照表。
② 再用字段长度声明控制输出精度→写明“每个成果项严格限制在35字内，超长则截断，不加省略号”，否则模型会擅自补全语义，比如把“优化搜索框”扩展成“通过增加防抖和缓存策略优化搜索框”，而实际只做了防抖。
③ 最后绑定业务指标映射→指令中必须包含“将每项工作映射到OKR中对应的KR编号，如KR2.1”，没有这条，模型会生成脱离目标体系的漂亮话。
