我先说个真实经历。上个月帮朋友的电商团队看一份订单表，五千多行，我以为扫两眼就能收工，结果光“同一个订单号出现三次但金额不一样”这种问题就翻出四十多处。那天晚上我盯着屏幕想了很久——人眼在表格面前真的太脆弱了，不是不认真，是结构性的看不全。后来我开始系统地用AI来辅助检查，摸索出一套提示词的写法，才慢慢把这件事变得可控。这一章我想把这些底层的认知先聊透，不然后面写模板就是空中楼阁。
1.1 表格异常检查的典型场景与异常类型划分
我习惯先把异常分成两大类来看：单表内部的问题和跨表之间的问题。单表这块，缺失值是最常见的，但它的表现形式比想象中复杂。有的是单元格真空着，有的是填了个“-”或者“N/A”，还有的是空格字符伪装成正常值，你肉眼根本分辨不出来。重复值也一样，完全相同的行好识别，麻烦的是“张三”和“张 三”这种带空格的变体，或者身份证号末尾多了个不可见字符。格式错误更琐碎，日期写成“2024.1.5”还是“2024/01/05”，手机号带不带区号，金额里混进了货币符号——这些在业务上都是雷。
逻辑冲突是我觉得最需要AI介入的一类。比如“入职日期”晚于“离职日期”、“订单金额”不等于“单价×数量”、“已取消”的订单却有发货时间。这种跨列的矛盾，人一行一行看会疯掉，但规则写清楚了AI扫一遍就出来了。统计离群值稍微特殊一点，它不像前几类有绝对的对错，更多是“可疑”。销售额突然是均值的二十倍，年龄填了200岁，这些需要结合业务背景判断。跨表不一致则是多表场景下的噩梦——用户表里说有100个会员，订单表里只出现了80个不同的用户ID，剩下20个去哪了？这种问题单看任何一张表都发现不了。
我把这些类型列出来，不是为了做一个完整的分类学，而是因为它们对应的提示词写法差别很大。缺失值检查的提示词可以很简短，跨表一致性检查的提示词就得把两张表的结构、关联字段、比对逻辑全部交代清楚。分清楚类型，后面设计提示词才有抓手。
1.2 提示词在AI辅助表格检查中的角色、能力边界与人工复核机制
我一开始对AI检查表格的期待有点过高，觉得把表丢进去说一句“帮我找找问题”就完事了。试了几次之后发现完全不是那么回事。AI不会主动告诉你“这个字段可能存在业务规则冲突”，它只会按照你给的指令去执行。提示词的本质是把人的检查意图翻译成AI能精确执行的任务描述，这个翻译质量直接决定检查效果。你指令模糊，它就给你一堆模棱两可的回复；你规则写得死，它反而能给你干净的异常清单。
能力边界这块我踩过不少坑。AI擅长的是“按照明确规则做批量比对和模式识别”，比如找出所有空值、发现格式不统一的日期、按你给的公式验算金额。它不擅长的是“凭直觉判断这个数看起来不对劲”——统计离群值它可以算，但离群是否等于异常，得人来定。还有一点，AI处理超大表格时会有截断风险，几万行的数据它可能只看了前面一部分就给你结论，这个必须提前知道。我现在做检查，超过五千行就会要求AI分批处理，或者先用脚本做预处理。
人工复核机制我现在的做法是分级处理。AI输出的异常清单我会分成三档：确定错误（比如缺失值、格式不符）、疑似异常（离群值、逻辑冲突）、需要业务判断（跨表不一致的根因）。第一档可以直接走修复流程，第二档人工抽检，第三档必须业务方确认。AI给的是线索，不是判决书，这个心态摆正了，用起来才踏实。
1.3 高质量表格异常检查提示词的关键组成
写多了之后我发现，好的提示词基本上都包含六个要素，缺一个效果就打折扣。检查目标要具体到“检查A列到E列的缺失值”这种程度，不能只说“检查数据质量”。数据范围得说清楚是哪张表、哪些字段、有没有表头、数据从第几行开始，我遇到过AI把表头当数据一起检查的情况，输出里多了一条“字段名‘订单号’格式异常”，哭笑不得。
业务规则是最需要花心思的部分。你得把“什么算异常”用AI能理解的方式写出来。“金额字段必须大于零”是规则，“金额字段看起来不合理”不是。输出格式我一般会指定成表格或者JSON，字段包括行号、列名、异常值、异常类型、严重程度。不指定的话AI可能给你一大段散文，还得自己再整理一遍。约束条件经常被忽略，比如“不要修改原始数据”“只报告异常不要自动修复”“遇到不确定的情况标记为待复核”。这些约束能防止AI过度发挥。
示例说明是我最近才开始重视的。给一两个正例和反例，AI对规则的理解准确度会明显提升。比如我说“日期格式统一为YYYY-MM-DD，2024/1/5算异常，2024-01-05算正常”，比单纯描述规则有效得多。这六个要素不是每次都全用，简单检查只写目标和范围也行，但复杂场景下全套上阵，结果会稳定很多。
1.4 提示词设计常见误区与优化原则
误区这块我几乎每个都犯过。指令模糊是最普遍的，早期我写“帮我检查一下这个表格有没有问题”，AI回复“表格整体看起来正常，但建议关注几个方面”，完全没法用。后来我逼着自己每条指令都要能回答“AI怎么判断执行到位了”这个问题。规则冲突也很隐蔽，我有一次同时写了“标记所有空值”和“空值用0填充后参与计算”，AI在两条指令之间来回摇摆，输出乱七八糟。写提示词的时候得自己先当一遍“规则审查员”。
结果不可复现这个问题让我头疼了很久。同样的表、同样的提示词，今天跑和明天跑结果不一样，有时候多几条有时候少几条。后来发现跟提示词里的模糊表述有关——“明显异常”“不合理的高值”这种词每次理解都可能不同。改成明确的阈值和条件之后，稳定性好了很多。隐私与合规风险是我现在特别注意的，表格里经常有手机号、身份证号、地址这些敏感字段，提示词里最好明确要求“对敏感字段做脱敏处理后再输出”，或者干脆在输入前就脱敏。
优化原则上我总结了三句话：规则能量化就不要描述，输出能结构化就不要自然语言，边界能写死就不要留模糊空间。还有一条实战经验——提示词写完先拿一张小表测，故意埋几个已知异常进去，看AI能不能全找出来、会不会误报。这个“埋雷测试”比反复读提示词有用得多。迭代的时候一次只改一个变量，改完再测，不然你都不知道是哪个改动起了作用。
上一章聊的是认知层面的东西，这一章我要把手弄脏，直接上模板。我电脑里现在存着二十多个不同场景的提示词模板，大部分是迭代出来的，最早的几版现在看来简直没法用。我想把这些模板的骨架、参数、输出格式都摊开讲清楚，你能直接拿去改改就用，也能理解为什么这么设计，遇到新场景自己扩。
2.1 通用基础模板结构
我现在写任何Excel检查提示词，都先套一个五段式骨架：角色设定、任务描述、数据字段说明、检查维度、优先级与输出要求。这个骨架不是拍脑袋定的，是试错试出来的。最早我写提示词是“帮我检查这个Excel表格的A列到E列有没有异常”，AI回得倒也快，但输出全是大白话，我得自己再整理成表格，一来一回比手动检查还费劲。后来我把“你是谁、你要干什么、数据长什么样、按什么标准查、结果怎么给我”这五件事写全，输出质量立刻不一样了。
角色设定这段很多人觉得是废话，我一开始也这么想。后来发现角色设定直接影响AI的“检查姿态”。你写“你是一名严谨的数据质量审计员”，它输出的语气和细致程度跟写“你是一个Excel助手”完全不同。我现在一般会写得更具体一点，比如“你是一名有五年经验的电商订单数据审计员，擅长发现金额计算错误和状态逻辑冲突”，加上业务领域，AI对异常类型的敏感度会高一些。
数据字段说明是我花时间最多的一段。光说“检查订单表”不够，得把每个字段的名字、数据类型、业务含义、允许的取值范围都列出来。比如“订单金额（数值型，单位元，取值范围0.01-999999，不允许为空）”，这么写AI才知道边界在哪。字段多的表格我会分组说明，把关联性强的字段放在一起，AI理解跨列逻辑时会顺很多。任务描述也要具体，“检查数据质量”这种话我早就不写了，改成“检查D列缺失值、E列重复值、F列日期格式规范性”，一句话说清要查什么。
检查维度这段相当于给AI一张检查清单。我会把要查的异常类型逐条列出来，每条后面简单说一句判断标准。优先级这块很多人不写，我觉得挺重要。Excel里问题往往一大堆，AI得知道先报什么。我的习惯是分三级：P0是确定错误必须修复，P1是疑似异常需要人工确认，P2是建议关注项。输出要求我一般会强调“以Markdown表格形式输出，包含行号、列名、异常值、异常类型、优先级、修复建议六列”，不写清楚它真能给你回一大段散文。
2.2 分场景提示词模板
不同异常类型的提示词差别挺大的，我按自己常用的场景拆开讲。
缺失值与重复值检查的模板最简单，但坑也不少。缺失值这块我现在一定会加一句“空字符串、纯空格、‘N/A’、‘-’、‘null’均视为缺失”，不加的话AI只认真正的空单元格，那些伪装成正常值的就漏了。重复值检查我会区分“完全重复”和“关键字段重复”，前者是整行一模一样，后者是比如订单号重复但其他字段不同。这个区分很重要，处理方式完全不一样。有次我忘了写清楚，AI把“同一用户下了两单不同商品”也标成重复，误报了一大片。
格式与数据类型校验的模板得把标准格式写死。日期我一般要求统一成YYYY-MM-DD，会在模板里加两个例子：“2024-01-05为正常，2024/1/5、2024.1.05、1/5/2024均标记为格式异常”。手机号我会写“11位数字，1开头，不允许包含空格、横线、括号”。金额字段要说明“不允许包含货币符号、千分位逗号、中文单位”。这些细节不写，AI判断标准就飘。我还习惯在模板里加一句“同一列内格式不一致的，即使单个值本身合法也标记为待统一”，这条帮我发现过很多“部分合规”的隐蔽问题。
业务逻辑与跨列校验是我用得最多的模板，也是最难写的。核心是把业务规则翻译成AI能执行的条件表达式。比如电商订单表我会写“若订单状态为‘已取消’，则发货时间字段必须为空；若订单状态为‘已完成’，则发货时间不得为空且必须晚于下单时间”。这种规则一条一条列出来，AI逐条执行，输出时标注触发了哪条规则。我现在会用编号管理规则，R01、R02这样，输出里直接写“触发规则R03”，回头追溯特别方便。规则多的时候我会按业务模块分组，订单状态一组、金额计算一组、时间逻辑一组，AI执行起来条理清楚很多。
离群值与统计异常检查的模板需要给AI明确的统计口径。光说“找出异常值”不行，得说“对G列销售额计算均值μ和标准差σ，标记|x-μ|>3σ的记录”。我一般会要求AI先输出统计摘要（均值、中位数、标准差、最大最小值），再输出离群记录。这样我能判断统计结果本身合不合理。有时候数据分布很偏，3σ法则根本不适用，看到统计摘要我就知道该换方法了。模板里我还会加一句“离群记录不等于错误记录，仅标记为待复核”，防止AI把离群值当确定错误报。
跨表一致性检查的模板最长，因为得把两张表都描述清楚。我的写法是先说主表和从表分别是什么、关联键是什么，再列比对规则。比如“以用户表为主表，订单表为从表，关联键为用户ID。检查项一：用户表中存在的用户ID在订单表中是否全部出现；检查项二：订单表中出现的用户ID是否都能在用户表中找到；检查项三：两表同一用户ID对应的手机号是否一致”。三个检查项覆盖了左连接、右连接、字段比对三种情况。跨表模板我还会特意加一句“分别输出仅存在于表A的记录、仅存在于表B的记录、两表都存在但字段值不一致的记录”，分三类输出，排查起来方向明确。
2.3 模板参数化与可复用设计
模板写多了会发现大量重复，不同项目的提示词除了字段名和阈值，其余部分几乎一样。我开始做参数化改造，把可变部分抽成占位符。现在我的模板长这样：{表名}、{检查字段列表}、{业务规则清单}、{异常等级定义}、{输出格式}，用的时候填空就行。这个改动看着简单，实际省了我大量时间，而且填空的过程本身就是一次规则梳理，很多漏洞在填空时就暴露出来了。
变量占位这块我踩过一个坑：占位符命名太随意，过两周自己都忘了{R1}代表什么。现在我的命名规则是见名知意，{订单金额下限}比{THRESHOLD_1}清楚一百倍。规则清单我习惯用结构化列表管理，每条规则有编号、描述、判断条件、异常等级四个属性，套模板的时候整段贴进去。异常等级定义我一般用三档：致命（数据无法使用）、严重（影响业务判断）、提示（建议关注）。置信度说明这个字段是我后来加的，让AI对每条异常标注“高/中/低”置信度，高置信度的直接处理，低置信度的送人工，效率提升很明显。
适用范围这块我觉得值得单独说一句。同一个模板换个场景未必好使，我会在模板头部标注“适用场景：电商订单表，行数5000以内，字段数不超过30”，超出范围的要么改模板要么分批处理。有次我拿订单表模板去查财务流水表，规则完全不匹配，输出一堆误报，浪费了半天时间。从此我养成了标注适用范围的习惯，也算给自己提个醒。
2.4 检查结果输出模板
输出格式这块我经历了三个阶段：早期是让AI自由发挥，结果每次格式都不一样；中期是要求输出表格，但字段没定死，AI自己加加减减；现在是完全固定输出结构。我现在的标准输出包含五个部分：异常概览、异常记录清单、字段定位、修复建议、人工复核标记。
异常概览是给管理层看的，几行字说清楚“共发现X条异常，其中致命Y条、严重Z条、提示W条，集中在某几个字段”。异常记录清单是主菜，我固定要求六列：行号、列名、当前值、异常类型、触发规则编号、优先级。行号必须是Excel里的真实行号，方便直接定位。当前值这块我会要求AI截断显示，太长的内容写“详见单元格”，否则输出表格会乱成一团。
修复建议这段我要求AI给具体操作，不能只说“请修正”。比如“将‘2024/1/5’改为‘2024-01-05’”、“该订单状态为已取消但存在发货时间，建议核实后清空发货时间或更正状态”。建议可以不完全准确，但得给出方向，人工处理时能省不少判断成本。人工复核标记是我坚持要的，每条异常后面加一列“复核状态”，默认填“待复核”，处理完的人改成“已确认”或“已修正”。这个小设计让整个检查流程有了闭环，不会出现“发现了但没人管”的情况。
输出模板里我还会加一个“数据质量评分”，简单粗暴地按“异常记录数/总记录数”算个百分比，再映射成百分制。这个分数不精确，但给业务方汇报时特别管用，他们不看明细，就看一个数。
2.5 模板使用示例与迭代方法
我拿一个真实案例走一遍完整流程。前阵子帮一个做教育培训的朋友查学员报名表，初版提示词我写的是：“请检查这份学员报名表的异常数据，包括缺失值、重复报名、手机号格式错误、报名日期晚于开课日期的情况，输出异常清单。”跑出来的结果能用，但问题不少：手机号格式判断太宽松，带空格的也放过了；日期比较只比了日期部分，时间部分没管；输出清单没有行号，定位困难。
第二版我做了三处改动：手机号规则改成“必须为11位连续数字且以1开头，含空格或横线即判异常”；日期比较明确写“报名日期时间必须早于开课日期时间，精确到时分”；输出要求加上“必须包含Excel原始行号”。再跑一遍，准确率明显上来了，误报少了一半多。
第三版我加了两个东西：一是埋雷测试，我手动在表里埋了8个已知异常（2个缺失、2个重复、2个格式错误、2个日期冲突），跑完对照，发现AI漏了一个“日期冲突”——那两条记录的日期相同但时间不同，AI只比了日期。我把规则改成“比较完整日期时间字段”后补上了这个漏洞。二是反馈优化，我把AI误报的几条记录拎出来看，发现都是业务上允许的特殊情况（比如同一个学员跨期报名不算重复），就在提示词里加了排除条件。
迭代到现在这个模板相对稳定了，但我还是在用的时候顺手记笔记，哪些规则容易误报、哪些字段AI理解偏了，攒几条就更新一版模板。我的经验是别指望一次写出完美提示词，先跑起来，拿真实数据喂它，看它错在哪，一次改一个点，迭代三五轮基本就能用了。每次改完记得用同一批埋雷数据回归测试，防止改好一个坏了另一个。这套方法听着笨，但比反复读提示词推敲靠谱得多。
前两章把认知和模板都铺完了，这一章我想聊点更"手上"的东西。模板是死的，真到写提示词那一刻，怎么起笔、怎么调、怎么换工具、怎么收拾误报，这些细节才决定你最后拿到的是能用的异常清单，还是一堆需要重新返工的半成品。我把自己写提示词的实际流程摊开讲，中间踩过的坑也一并交代。
3.1 写作步骤拆解
我写一条新的表格检查提示词，第一步从不碰键盘，先在纸上列检查目标。写清楚"我到底怕这张表出什么问题"，往往能列出一堆：金额算错、日期倒挂、状态和发货时间打架、客户手机号带空格。目标列完，我会挑出真正影响业务的那几条，排个序。全写上AI反而抓不住重点，输出一大坨你还得自己筛。
第二步是描述表格结构。这一步很多人写得敷衍，写个"这是订单表，有订单号、金额、状态"就完了。我现在的写法是把字段当人来介绍：这个字段什么类型、什么单位、空值代表什么、正常范围多少、跟哪个字段有联动。写得像交接文档，AI才不容易理解偏。我经常在这一步发现自己对表格本身的理解就有漏洞，有次写字段说明时才发现"支付时间"这个字段业务上允许为空，差点把它当必填项写进规则。
第三步定义异常规则，第四步限定输出格式，这两步上一章讲模板时已经拆得很细了，我这边只补一点：规则和输出格式写完，我一定会加一段示例。示例可以是正确的记录，也可以是错误的记录，各给一两条。AI看到"2024-01-05是正常日期，2024/1/5判为格式异常"这种对照，判断标准立刻稳很多。光靠文字描述规则，十个AI能给你十种理解。
第五步是测试迭代。我很少指望第一版能直接用，跑一遍真实数据，把明显不对的结果挑出来，看是规则写漏了还是表达有歧义。改一个点跑一遍，别一次改五处，改完你都不知道是哪处起了作用。迭代节奏我一般控制在三轮以内，超过三轮还不行，多半是这张表本身太复杂，得拆成多个子任务分步检查。
3.2 面向不同AI工具的提示词表达适配
同样的检查任务，换个AI工具，提示词写法差别挺大。我手上常用三类工具，各自的脾气摸得比较清楚。
Excel智能助手这类嵌在表格软件里的工具，好处是能直接读单元格，坏处是理解复杂规则的能力偏弱。给它的提示词要短、要直白，规则一条一条列，别嵌套条件。我写这类提示词时会把"若A且B则C"的复合逻辑拆成多条独立规则，每条只说一件事。它也不太擅长处理跨表引用，涉及多表比对的活儿我基本不交给它。输出格式要求也别太花哨，让它直接在指定列填标记或说明，比让它生成一张结构化表格靠谱。
通用对话式AI的理解力强很多，复杂业务规则、多层条件判断都能接住。我用这类工具写提示词会放开一些，规则可以带上下文说明，比如"这条规则是因为业务上不允许先发货后付款"，加一句原因它执行得更准。这类工具的短板是上下文长度有限，表太大得分批喂，字段说明也得精简。我一般先喂字段说明和规则，确认它理解了，再分批次送数据，每批控制在几百行以内。
数据分析Agent这类工具更接近一个会自己写代码的助手，提示词可以写得更像需求文档。我会告诉它"检查目标是什么、数据在哪、用什么统计方法、结果怎么呈现"，具体的执行路径让它自己规划。这类工具对统计类检查特别友好，离群值检测、分布分析这种活儿交给它，比手写规则省事。风险是它有时候会自作主张加检查项，我会在提示词里明确写"仅执行以下检查项，不要扩展"。
适配的核心是摸清工具的边界，在边界内把需求说清楚。同一个检查任务，我给三类工具写的提示词版本完全不同，有时候干脆三版都跑一遍，结果交叉比对，反而能发现单一工具漏掉的问题。
3.3 复杂表格与多表关联场景的提示词拆解策略
表格一复杂，单条提示词就很难兜住。我现在的做法是拆，拆成若干个小检查任务，每个任务一条提示词，结果最后汇总。
分步检查是最基本的拆法。一张几十列的表，我会按字段组拆：客户信息一组、订单金额一组、物流时间一组，每组单独写检查提示词。这样每条提示词聚焦，AI不容易漏项，出错也容易定位到哪一组。缺点是结果分散，我会在最后加一步汇总，让AI把几组异常合并成一张总清单，按行号排序。
链式提示适合有依赖关系的检查。比如先查缺失值，缺失的记录单独拎出来，再对剩下的记录查格式和逻辑冲突。这种串行处理能避免AI在残缺数据上做无效判断。我写链式提示会在每条提示词末尾注明"上一步的输出作为本步的输入"，让AI知道上下文怎么衔接。
规则分层是应对规则特别多的场景。我把规则分成基础校验层（格式、类型、必填）、业务逻辑层（跨列条件、状态流转）、统计异常层（离群、分布偏移），一层一条提示词，逐层跑。这样每层的误报率单独可控，哪层出问题改哪层，不会牵一发动全身。
多表关联我一般先画个关系草图，标清楚主表、从表、关联键、比对字段。提示词里把这张草图用文字描述清楚，再列比对规则。比对结果我坚持分三类输出：只在A表出现的、只在B表出现的、两表都有但字段不一致的。三类分开，排查方向立刻清楚。跨表检查最容易出的问题是关联键本身不规范，我通常会先跑一遍关联键的格式检查，确认干净了再做比对，不然比对结果全是噪音。
3.4 检查效果评估与误报漏报控制
提示词写完跑出结果，怎么判断它靠不靠谱？我有一套土办法，但挺管用。
第一步是埋雷测试。在真实数据里手动插入一批已知异常，缺失、重复、格式错、逻辑冲突各埋几条，跑完对照，看AI抓到了几条、误报了几条。漏报说明规则有漏洞，误报说明规则太宽或者表达有歧义。我一般埋十到二十条，覆盖主要异常类型，跑完算个召回率和准确率，心里就有数了。
埋雷之外，我会抽查一部分AI没标异常的记录，人工看一遍。这一步是防漏报的关键，AI没报不等于没问题，可能是规则压根没覆盖到。抽查比例看数据量，几千行的表我抽个几十条，重点看边界值和业务特殊场景。
误报控制是个持续活儿。每次跑完我把误报的记录拎出来归类：是规则写太死，是业务上有例外没排除，还是AI理解偏了。归类完回到提示词里改，改完用同一批埋雷数据回归测试。这个循环我一般走三到五轮，误报率能从最初的三成降到一成以内。
评估指标我常用三个：召回率（该抓的抓到了多少）、准确率（抓出来的有多少是真异常）、可复现性（同样的提示词跑两遍结果是否一致）。可复现性很多人不关注，其实挺重要，结果飘忽不定的提示词没法用于正式流程。我会把同一条提示词连跑两三遍，结果差异大的就说明规则表达不够确定，得改。
复核流程我固定成两步：AI输出带置信度标记，高置信度的直接进处理队列，低置信度的转人工复核。人工复核完把结论回填，攒一批再回头优化提示词。这套闭环跑顺了，检查效率提升很明显，人也轻松不少。
3.5 安全合规与扩展方向
表格数据里经常有手机号、身份证号、客户姓名这些敏感字段，把这些原样喂给AI我是不放心的。现在的做法是先脱敏再检查。手机号中间四位打码，身份证号只留前六后四，姓名用代号替换。脱敏之后再做检查，规则该查什么还查什么，不影响异常识别。
有一种情况脱敏会影响检查效果：需要做跨字段一致性比对的场景，比如手机号和身份证归属地是否匹配。这种我会在本地先做一轮比对，只把比对结果而不是原始数据送出去。数据不出本地，AI只看结论，安全性和检查效果都能兼顾。
审计留痕这块我踩过坑。早期检查完就把提示词和结果随手一存，过两个月业务方问"这条异常当时为什么这么判"，我翻半天找不着依据。现在我每次检查都把提示词版本、输入数据批次、输出结果、人工复核记录打包存档，文件名带日期和版本号。看着麻烦，真出问题时能救命。
自动化工作流是我最近在折腾的方向。把检查提示词固化到定时任务里，每天或者每周自动跑一遍，异常结果推到群里或者写回表格的指定区域。跑通之后省了大量重复劳动。集成的时候要注意两点：一是异常结果得带足够的定位信息，不然推过去也没人看得懂；二是误报率得压到足够低，天天推一堆误报，业务方很快就无视了。
持续优化我靠一个简单的习惯：每次人工复核完，把误报和漏报的记录各存一份，攒到十几条就回头改一版提示词，改完回归测试。提示词这东西没有一劳永逸的版本，业务在变，数据在变，规则就得跟着调。把优化当成日常动作，比追求一个完美版本实际得多。
扩展方向我看好两个：一个是把检查规则沉淀成可复用的规则库，不同项目之间共享；另一个是把检查结果和修复动作连起来，AI不只报异常，还能给出可执行的修复脚本，人确认一下就能批量处理。这两块我都在试，还没到能拿出来吹的程度，等跑顺了再写。
