Nova AI需结构化提示词才能准确分析数据，四要素为：【数据来源+字段说明】、明确动词动作、指定输出格式、添加约束条件；附异常检测、趋势对比、归因归类模板及避坑替换表。
☞☞☞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☜☜☜
当你在nova ai中输入模糊的“帮我看看这些数据”“分析一下”时，模型常返回泛泛而谈的结论或直接报错——因为nova ai不自动推断你的分析目标、字段含义和输出格式。必须用结构化提示词明确告诉它：要处理什么数据、基于什么逻辑、输出成什么样子。基础分析指令四要素写法
第一步：用【数据来源】+【字段说明】锚定上下文。例如：“以下为2024年Q3华东区销售表，含字段：order_id（订单号）、product_name（商品名）、sales_amount（实收金额，单位：元）、region（所属城市）、order_date（下单日期，格式YYYY-MM-DD）”。【缺字段说明会导致模型误判数值类型，把金额当文本排序】
第二步：用动词明确动作。避免“分析”，改用“统计各城市销售额TOP3商品”“找出sales_amount连续3天低于均值的日期”“按product_name分组，计算平均sales_amount和订单数”。
第三步：指定输出格式。写明“以Markdown表格呈现，列名：城市、商品名、总销售额”或“只返回JSON，键为‘outlier_dates’，值为日期字符串数组”。
第四步：加约束条件。例如“排除order_id为空的行”“sales_amount小于0的记录视为异常，不参与统计”“日期范围限定在2024-07-01至2024-09-30”。
高频场景模板直套
方法一：异常值检测
“你是一名数据质检员。以下为用户行为日志片段，字段：user_id、event_time（ISO8601格式）、event_type（click/search/submit）、duration_sec（操作耗时，秒）。请识别duration_sec > 300且event_type为‘click’的异常记录，输出user_id和event_time，每行一个，用制表符分隔。”
方法二：趋势对比
“对比A组（group='control'）和B组（group='test'）的转化率变化：先按day分组计算每日转化率（success_count / total_attempts），再用折线图描述趋势（无需绘图，用文字描述斜率方向及拐点日期），最后指出B组比A组高5%以上的天数。”
方法三：归因归类
“对以下投诉文本做主题分类：输入字段为complaint_text。预设类别：物流延迟、商品破损、客服响应慢、支付失败。要求：每条文本只归属一个最高概率类别，输出格式为‘ID:xxx → 类别’，ID取原文首5字符。”
避坑关键句式替换表
❌ 模糊表达：“看看有没有问题” → ✅ 替换为：“检查sales_amount是否全为正数，列出所有非正数的order_id和对应值”
❌ 模糊表达：“整理成好看的样子” → ✅ 替换为：“生成横向对比表格：行=城市，列=7月/8月/9月销售额，末列添加环比变化百分比，保留1位小数”
❌ 模糊表达：“按重要性排序” → ✅ 替换为：“按sales_amount降序排列，若相同则按order_date升序，取前10条”
⚠️ 注意：Nova AI不支持自然语言中的隐含逻辑，如“最近三天”必须写成“2024-09-28、2024-09-29、2024-09-30”，否则会解析失败。
带原始数据的完整指令示例
第一步：粘贴清洗后数据（CSV格式，首行为字段名）
第二步：输入提示词：
“你正在处理电商退款数据。字段：refund_id、sku_code、refund_amount（元）、apply_time（格式YYYY-MM-DD HH:MM:SS）、reason_code（整数，1=发错货，2=质量差，3=不想要，4=其他）。任务：①统计每种reason_code的退款单量和总金额；②找出apply_time在2024-09-01 00:00:00之后且refund_amount > 500的记录，输出refund_id、sku_code、reason_code；③结果用两个独立Markdown表格呈现，表头加粗。”
第三步：点击运行
