1.1 用户调研问卷提示词的定义与核心价值
我在做用户调研的头几年，写问卷全靠感觉。一个问题改八遍，改到最后自己都不知道要问什么了。后来接触到提示词这个概念，才发现原来写问卷这件事可以被拆解得这么清楚。用户调研问卷提示词，说白了就是一段写给AI看的指令文本，它把调研目的、目标人群、问题类型、选项要求这些信息打包起来，交给大模型去生成一份可用的问卷初稿。它不是问卷本身，更像是一张施工图纸。
这东西的核心价值在哪儿呢。我自己的体会是，它把"想清楚"和"写出来"这两件事分开了。过去我常常一边想调研目标一边抠问题措辞，脑子是乱的。有了提示词这个中间层，我可以先把调研逻辑梳理干净，再让AI去处理语言层面的活儿。省下来的时间，我能多花在跟业务方对齐需求上。
还有一点挺重要。提示词让问卷设计变得可复现了。团队里不同的人写问卷，风格差异很大，有的爱用开放式问题，有的全是量表题。用统一的提示词模板打底，出来的东西至少骨架是一致的，后面再按具体场景调，效率高不少。对做用户研究的人来说，这种一致性本身就是一种质量保障。
1.2 提示词与问卷设计流程的关系
我习惯把问卷设计流程拆成几个环节：明确调研目标、界定目标人群、设计问题结构、撰写具体题目、预测试与修订。提示词在这条链路里不是单独存在的一环，它更像一根线，把前面几个环节串起来。目标怎么写进提示词，人群特征怎么描述，问题类型怎么分配，这些都得在提示词里体现出来。
有意思的是，提示词写得好不好，往往在流程前半段就决定了。我试过目标写得很模糊的提示词，比如"帮我做一个用户满意度问卷"，出来的东西四平八稳，什么问题都沾一点，什么问题都不深入。后来我把目标细化到"了解新用户在注册后七天内放弃购买的原因"，生成的问题立刻就不一样了，聚焦了很多。
流程走到预测试那一步，提示词还能继续用。发现某类问题用户理解有偏差，我可以回头改提示词里的约束条件，重新生成一版。这种来回迭代的节奏，比我过去纯手工改问卷快得多。我现在的习惯是，提示词文档和问卷文档放在一起管理，版本对得上，后面复盘的时候能看清楚每一步是怎么走过来的。
1.3 高质量问卷提示词的关键要素与评价维度
我评价一条提示词好不好，先看它有没有把调研目标说清楚。目标模糊，后面全白搭。目标清楚了，再看人群描述够不够具体。只说"年轻用户"太笼统，说"一二线城市、22到28岁、过去三个月有过线上购物经历的女性用户"，生成的问题才有针对性。
除了目标和人群，问题类型的分配也很关键。一条好的提示词会明确告诉AI：需要几道单选题、几道量表题、要不要留开放式问题、选项数量控制在什么范围。这些约束写得越细，出来的问卷越接近能直接用的状态。我还会在提示词里加一些反面要求，比如"避免引导性提问""不要出现双重否定"，这类边界条件能挡掉不少低级问题。
评价维度上，我一般看四点：目标匹配度、问题结构合理性、语言自然度、可修改空间。目标匹配度是根，结构合理性看题目之间的逻辑顺不顺，语言自然度关系到受访者读起来别不别扭。可修改空间这点容易被忽略，一份好的问卷初稿应该留出调整余地，让我能快速替换某道题，而不是推倒重来。这四点里，我尤其看重目标匹配度，它不过关，其他都是空谈。
1.4 常见误区与使用边界
用了这么久提示词，踩过的坑不少。最常见的一个误区是把提示词当万能钥匙，觉得只要指令写得够长够细，AI就能生成一份完美问卷。现实是，AI不懂你的业务上下文，不懂你们公司上个月刚改过的产品定价策略，也不懂你老板对某个指标的执念。这些信息得我自己补进去，提示词只是个放大器，放大的还是我自己的判断。
另一个坑是过度依赖模板。网上流传的问卷提示词模板很多，拿来就用确实省事。我试过几次，发现通用模板生成的问题往往偏宽泛，放到具体行业里就显得隔靴搔痒。做B端产品的调研和做C端快消的调研，问题设计的逻辑差别很大，模板得改，不改就是偷懒。
使用边界这块，我自己的原则是：提示词负责生成初稿和提供结构建议，最终判断权留在人手里。涉及敏感信息的问题、涉及合规要求的选项设置，这些必须人工过一遍。还有一点，AI生成的问题有时候会带有隐性偏见，比如默认受访者有某种消费习惯，这种问题放到真实调研里会污染数据。我现在养成了一个习惯，拿到生成结果先通读一遍，专门找那些"想当然"的表述。这个动作花不了几分钟，能挡掉不少麻烦。
2.1 通用型提示词模板的基础结构
我搭第一个通用模板的时候，想法很简单，就是把上一章说的那些要素都塞进去。角色设定、调研目标、目标人群、问题类型配比、输出格式，五块内容往文档里一列，看起来挺像回事。真正跑起来才发现，结构是有了，但各块之间的轻重没分清楚。角色设定写了两行，调研目标写了半行，生成出来的问题就开始飘。后来我把目标部分撑到最重，角色和格式往后放，效果才稳住。通用模板的基础结构，我的经验是目标占四成，人群和问题结构各占两成，剩下的留给角色和输出约束。
这个结构我用了大半年，中间微调过几次。最早我把问题类型写得很死，单选题几道、量表题几道、开放题几道，精确到个位数。结果遇到某些场景，AI硬凑题数，凑出来的问题重复度很高。现在我的通用模板里，问题类型只给比例区间，比如单选题四到六成，量表题两到三成，开放题留一到两道，给AI留点腾挪空间。输出格式那块我反倒越写越细，要求它按表格输出，每道题标注题型、选项、考察维度，方便我后面直接往问卷工具里搬。
还有个小细节。通用模板里我会单列一段“禁止事项”，写清楚不要引导性提问、不要双重否定、选项不要重叠。这段内容不长，三四行，但特别管用。有一回我忘了加，生成出来的满意度题里出现了“您是否经常感到非常满意”这种句子，受访者看了估计得愣一下。从那以后这段就成了模板里的固定模块，跟目标描述一样重要。
2.2 不同调研场景的模板扩展：需求验证、满意度、用户画像与概念测试
通用模板是骨架，场景模板是往骨架上长肉。我手里常备四套扩展模板，对应四类最常见的调研场景。需求验证类的模板，重点在挖掘“痛点—现有方案—未满足需求”这条线，问题设计上会偏向行为回溯和替代方案追问。我通常会在提示词里要求AI生成一组“最近一次”式的问题，让受访者回忆具体场景，而不是泛泛谈需求。这类模板里开放题的比重会调高一些，毕竟需求这东西，选项框不住。
满意度模板的扩展方向不太一样。它需要明确的评价对象和刻度锚点。我会在提示词里写清楚评价维度，比如产品质量、交付速度、客服响应，每个维度配一道量表题，刻度从“非常不满意”到“非常满意”五级。模板里还会要求AI补一道总体满意度题和一道推荐意愿题，方便后面算NPS。用户画像模板我用得少一些，但每次用都会强调人口统计变量和行为特征的结合。光有人口统计太干，得配上消费频次、使用场景、决策链路这些行为信息，画像才立得住。概念测试模板最特殊，它需要AI在问卷开头生成一段概念描述，把产品想法讲清楚，后面的问题才能围绕这个概念展开。这段描述的质量直接决定测试效果，我会在提示词里专门约束它的长度和语气，要求控制在八十到一百字，用受访者能听懂的话说。
这四套模板我一般是分开存文件的，每套都有自己的变量区和固定区。用的时候拿通用模板打底，再套场景扩展，两层叠起来用。有时候场景会混，比如既要做需求验证又要测概念，我就把两套扩展里的关键约束挑出来拼一拼，拼的时候注意别让问题数量超载，受访者耐心有限，二十道题往上就开始乱填了。
2.3 模板中的变量、占位符与可复用设计
变量化这件事，我是被逼出来的。团队里三个人同时做调研，每人手里一套模板，改来改去版本就乱了。后来我把模板里所有会变的内容抽成占位符，产品名称、目标人群描述、调研周期、行业术语，全用双花括号包起来。{{产品名称}}、{{目标人群}}、{{核心功能}}，用的时候统一替换。这样一份模板文件就能覆盖多个项目，维护成本降了一大截。
占位符设计有个分寸问题。我一开始抽得太细，连“请问您”和“您好”这种措辞都做成变量，结果模板里花括号满天飞，读一遍都费劲，更别说维护了。后来我定了个规矩，只有跨项目会变的内容才做成占位符，措辞风格这类东西放在模板的固定说明区，用自然语言描述就行。现在我的模板里占位符控制在十五个以内，分三组：项目信息组、人群信息组、场景约束组。每组前面加一行注释说明用途，新人拿到模板也知道怎么填。
可复用设计还体现在模块化上。我把模板拆成几个独立模块，开头模块负责角色和目标，中间模块负责问题结构，结尾模块负责输出格式和禁止事项。不同项目按需组装，有的项目不需要概念描述模块，直接跳过。这种拼装方式让我在应对临时需求时特别快，上午接到一个调研任务，中午就能拼出一份提示词跑起来。模块之间的接口我也做了约定，比如问题结构模块的输出必须包含题型配比和逻辑跳转说明，这样拼到哪个项目里都不会缺东西。
2.4 模板本地化、行业化与合规性调整
本地化这块我吃过亏。有次给一个面向东南亚市场的产品做问卷，直接拿中文模板翻译过去，生成的问题里全是“您是否经常使用”这种书面语，当地用户读起来很别扭。后来我在提示词里加了语言风格约束，要求用口语化的短句，避免复杂从句，还指定了几个当地常用的表达习惯。改完之后生成的问题自然多了。本地化不只是翻译，语气、称呼、时间格式、货币单位这些细节都得在模板里提前设定好。
行业化调整更费心思。B端软件调研和快消品调研，问题逻辑差别太大了。B端问卷里我得问采购决策链、部署方式、IT预算归属，这些词放到快消问卷里完全没意义。我的做法是在模板里留一个“行业术语库”区块，做哪个行业就往里填对应的词汇和概念，AI生成时会参考这个库来组织问题。医疗行业的调研还要额外注意，问题不能涉及诊断建议，量表刻度也得避开疗效评价类的表述。这类行业红线我会写进模板的合规约束区，每次生成前检查一遍。
合规性调整是模板体系里最不能省的一步。个人信息收集相关的问卷，我会在提示词里明确要求AI在开头生成一段知情同意说明，写清楚数据用途、存储方式和退出机制。涉及敏感信息的题目，比如收入、健康状况，模板里会预设“拒答”选项，并且要求这类题目放在问卷后段，避免一上来就吓跑受访者。还有一条我自己的规矩，任何模板生成的结果，发布前都得过一遍人工合规审查，重点看有没有隐性收集个人信息的问题。AI不懂法规边界，这个判断得我来做。
3.1 角色设定、调研目标与背景信息表达
角色设定这事我摸索了很久。最开始我写“你是一位资深用户研究员”，生成出来的问题四平八稳，挑不出大毛病，但也说不上好。后来我把角色拆细了——“你是一位有八年B端产品调研经验的研究员，擅长从采购决策链中拆解真实需求”，效果立刻不一样，它开始主动考虑决策角色分层这种细节。角色设定不是贴标签，是给AI装一套思考框架。你告诉它从哪个角度想问题，它就往哪个方向使劲。现在我写角色设定会带上三个信息：经验年限、擅长领域、当前任务关联的专长。三行字，精准比华丽管用得多。
调研目标表达最怕笼统。“了解用户需求”这种话等于没说。我现在的写法是把目标拆成可观测的成果——“识别用户在数据看板功能上的三个高频痛点，并判断哪个痛点优先级最高”。目标里带了数量和优先级判断，AI生成问题时就有了抓手，不会东一榔头西一棒子。背景信息也是同样的道理。我会交代产品当前阶段、竞品格局、这次调研的触发原因，比如“上个月流失率涨了两个点，老板要求两周内出诊断结论”。这些背景能让AI理解调研的紧迫性和侧重点，生成的问题更贴近实战，少一些学院派的泛泛之问。
有个小技巧我一直在用。背景信息里我会故意留一两个“已知事实”，比如“我们已知新用户第一次使用时的最大障碍是权限配置太复杂”。这句话写进去之后，AI会围绕这个已知点展开验证性提问，而不是从头问起。省下来的题量可以匀给真正的未知领域。这个做法让问卷的信息密度高了不少，受访者也不觉得你在问废话。
3.2 问题类型、选项结构与逻辑跳转控制
问题类型的控制，关键在于给AI一个明确的配比区间，别让它自己发挥。我会在提示词里写“单选题占百分之五十到六十，量表题百分之二十到三十，开放题只出一道”。比例定好了，还得补一句“题目之间考察维度不重复”，不然它容易换着法子问同一件事。有一次我没加这句约束，三道单选题翻来覆去都在问使用频率，删了两道才勉强能用。选项结构上，我要求每道题的选项覆盖“主要场景+边缘场景+其他”，并且明确禁止选项交叉。举个例子，“每周使用”和“每天使用”不能同时出现，这种错误AI犯过不止一次，必须在提示词里堵死。
逻辑跳转是提示词里最容易被忽略的部分。问卷不是一堆题堆在一起，题与题之间有依赖关系。我会在提示词里画一条逻辑线：“如果受访者在Q2选了‘未使用过该功能’，则跳过Q3到Q5，直接进入Q6”。这种明确的条件指令AI执行得不错。复杂一点的跳转，比如根据多选题的选项组合决定后续路径，我会拆成多条规则分步写，一条规则对应一个跳转条件，别指望AI自己推导多层逻辑。跳转写清楚还有个好处，受访者不会遇到答非所问的题，填答体验顺畅，完成率自然高。
量表题我额外加了锚点约束。光写“五级量表”不够，得把每个刻度对应的含义写出来。我会在提示词里规定“1代表完全不符合，3代表一般，5代表完全符合”，而且要求中间刻度必须有明确语义。有些AI默认生成奇数刻度但不解释中间值，受访者只能靠猜。把锚点写死之后，数据回收回来才敢直接拿去做统计，不用回头再清理一遍。
3.3 样例引导、分步生成与迭代优化技巧
样例引导是我用得最多的一招。与其花两百字描述“我想要什么样的题”，不如直接给AI一道我满意的旧题当范例。我会在提示词里贴一道完整的题目——题干、题型、选项、考察维度——然后写“请参照上述题目的结构和详细程度生成其余问题”。AI模仿能力很强，给一个好样例，它生成的一整组题都能保持相近的水准。样例的选择有讲究，得选那种结构清晰、措辞中性、选项完整的题目，带瑕疵的样例会把毛病传染给整份问卷。
分步生成是我最近半年才养成的习惯。以前我总想一次性生成整份问卷，结果经常是前半部分还行，后半部分质量断崖式下滑。现在我把生成切成两到三步走。第一步只让它出题目框架——每道题考察什么、用什么题型、题与题之间的逻辑关系，不写具体题干。我确认框架没问题了，第二步再逐题生成题干和选项。分步的好处是每一步我都能介入调整，错误不会累积到后面。还有个隐藏收益，分步生成的提示词可以复用，框架部分每次换项目只改调研目标，后面的生成流程原样照搬。
迭代优化讲究节奏。我的经验是改两轮就收手，第一轮看框架和逻辑，第二轮看措辞和选项细节，第三轮往后改的都是边角料，投入产出比太低。迭代的时候我会把上一轮生成结果里最差的一道题拎出来，在提示词里写“避免出现类似如下问题：……”然后把原题贴上去。负面样例比正面描述管用，AI看到具体反例会绕着走。有时候两轮改完还是不满意，我就换一个模型重新跑，不同模型对同一套提示词的反应差异挺大的，换个环境往往能跳出死胡同。
3.4 偏差规避、隐私保护与合规约束
偏差规避这件事，提示词里不写，AI基本不会主动考虑。引导性偏差最常见，题目里带情绪倾向，受访者被牵着走。我会在提示词里列一个禁用句式清单——“难道您不觉得”“您是否同意这款产品非常出色”这类带预设的句子全部禁掉。选项偏差也得防，比如满意度题只给正面选项、频率题区间划分不均匀。我的做法是要求AI对每道题的选项做一次自检，看有没有遗漏“不确定”“不适用”这类中性选项，有没有区间重叠或断档。
隐私保护要在提示词阶段就打上补丁。凡是涉及个人信息的题目，我会明确要求加一段知情说明模板，并在题目层面预设“不愿透露”选项。收入、年龄、职业这类敏感字段，提示词里会规定放在问卷后半段，前面先用低敏感度的问题建立信任。还有个细节，开放题里要约束AI不要追问可识别个人身份的信息，比如“请描述您上次就诊的具体日期和医院名称”这种题，看似在收集行为数据，实际上已经踩线了。我会写一条硬约束：“开放题不得要求受访者提供可定位到个人的时间、地点或机构信息。”
合规约束我自己整理了一个检查清单，每次生成前在提示词末尾附上几条红线：不收集与调研目标无关的个人信息、不诱导受访者做出特定回答、量表刻度不涉及医疗诊断或疗效评价。涉及未成年人的调研，提示词里会额外要求加一道年龄筛选题和监护人知情说明。这些约束写进提示词只能算第一道防线，生成结果我还会人工过一遍，重点看有没有隐性收集信息的题目混进来。AI对法规边界的理解靠不住，这个判断必须我自己做。
3.5 提示词效果对比与常见问题修正
提示词效果好不好，跑一次对比就知道。我的做法是拿同一个调研目标写两版提示词——一版只给框架信息，另一版加上角色细化、样例引导和禁止事项——两版同时跑，把生成结果并排放着看。差别通常很明显，简版的问题泛而散，详版的聚焦且逻辑清楚。对比的时候我会记录三个指标：问题与目标的匹配度、题目之间的逻辑连贯性、需要人工修改的题数。三个指标一比，提示词的优劣一目了然。这个对比我每个月做一次，每次都能发现自己提示词里的薄弱环节。
常见问题我归了几类。第一类是“问题漂移”，生成到后半段跑偏了，跟调研目标关系不大。修正办法是在提示词里重申目标，或者在分步生成时每步都带一遍目标描述。第二类是“选项同质化”，几道题的选项长得差不多，修正办法是给每道题指定一个独特的考察角度，在提示词里写清楚“Q3考察使用频率，Q4考察使用场景，两者不得交叉”。第三类是“语气不一致”，有的题像客服回访，有的题像学术问卷，修正办法是在提示词里固定语气风格，给一个语气样例让它照着来。
修正之后我会把有效的改动沉淀回模板。比如“禁止选项交叉”这条约束，最早是在一次修正中临时加进去的，后来发现每次都用得上，就写进了通用模板的禁止事项区。提示词技巧和模板体系是打配合的，技巧解决单次问题，模板沉淀长期经验。我现在遇到新问题先想能不能用现有模板加一条约束解决，解决不了的再单独调提示词。这个习惯让我的模板越来越厚，但每次启动新项目的速度反而越来越快。
4.1 从提示词到可发布问卷的工作流设计
我现在的做法是把整个流程拆成五步走，每一步都有明确的产出物。第一步是提示词准备，把调研目标、角色设定、约束条件写清楚，这一步的产出是一份完整的提示词文档。第二步跑生成，我习惯一次性生成两到三版，留着后面比对用。第三步人工初筛，把明显跑偏的、重复的、逻辑不通的题先剔掉。第四步精修和排版，把留下来的题按逻辑顺序重排，补上引导语和结束语。第五步小范围预测试，确认没问题再正式发布。五步听起来多，实际跑顺了，一份二十题左右的问卷从提示词到可发布状态，我差不多两个多小时能搞定。
这个工作流里最容易出问题的环节是第三步到第四步之间的衔接。AI生成的题是零散的，它不知道哪道题该放前面哪道该放后面。我的处理办法是画一张逻辑地图，把每道题考察的维度标出来，然后按“从宽到窄、从浅到深”的原则重新排序。一般信息类题目放前面，行为类题目放中间，态度和敏感信息类放后面。排完序之后再通读一遍，看题目之间有没有跳跃感。有一次我把一道问使用频率的题放在了一道问满意度的题后面，试填的时候受访者反馈说“刚说完用得多不多，紧接着就问满不满意，感觉有点突兀”。后来我把频率题往前挪了两道，读起来就顺了。
版本管理这件事我吃过亏才重视起来。早期我改问卷就是直接在原文件上改，改到第三版的时候想找回第一版的某道题，发现已经找不到了。现在我的习惯是每改一版就存一个新文件，文件名里带上日期和版本号，比如“v2-0415-满意度调研”。提示词也同步存档，哪一版提示词对应哪一版问卷，在文档开头记一行备注。这个习惯看着笨，救过我好几次。有一次客户临时要求回退到上一版方案，我两分钟就把文件找出来了，不用凭记忆重新拼。
协作场景下的工作流会多一道交接。我把问卷交给设计或运营同事去排版发布的时候，会附一份说明文档，写清楚每道题的考察目的、跳转逻辑、以及哪些题是核心题不能删。这份说明文档我也会让AI帮忙起草，提示词里写“请为以下问卷生成一份题目说明表，包含题号、考察维度、题型、是否必答、跳转规则”。生成出来我再手工补几条备注，比从头写省事很多。交接文档做得好，后面回收数据的时候分析同事也知道每道题该怎么用，不会拿着数据不知道怎么切。
4.2 生成结果的人工校验与预测试方法
人工校验我分两轮做，两轮看的重点不一样。第一轮看结构和逻辑，题目顺序对不对、跳转条件写没写清楚、必答题和选答题标没标明白。这一轮我基本是快速扫读，每道题停留几秒钟，主要看题与题之间的关系。第二轮看措辞和选项，逐字逐句读，重点抓引导性表述、选项交叉、量表锚点缺失这些细节问题。两轮分开做的好处是注意力不会互相干扰，第一轮操心逻辑的时候不会被措辞问题带偏。我一般第一轮在电脑上做，用批注功能标问题，第二轮打印出来用笔改，纸面上看措辞比屏幕上更容易发现别扭的地方。
预测试我固定找五到八个人来试填，人不多但要求每个人填完之后跟我聊十分钟。聊的内容不是问“你觉得这份问卷好不好”，而是让他们边填边说出声，把犹豫的地方、看不懂的地方、想跳过去的地方都讲出来。这个方法叫认知访谈，我用了两年多，比单纯看填答数据管用得多。有一次试填的时候，一个受访者在一道关于“功能使用频率”的题上停了快一分钟，我问她怎么了，她说“我上个月用得多这个月用得少，你问的是哪个时间段”。这道题我在提示词里写的是“请询问使用频率”，没规定时间范围，AI就默认没写。后来我在模板里加了一条硬约束：“所有行为频率类题目必须写明时间窗口，如‘过去一个月内’。”
预测试的数据我也会看，主要看三个数：完成率、平均答题时长、单题跳过率。完成率低于百分之八十说明问卷太长或者题目太难，得删题或者改措辞。平均答题时长明显偏短说明受访者在乱填，可能是题目表述太含糊让人不想细看。单题跳过率异常高说明那道题有问题，要么太敏感要么看不懂。这三个数我一般会在预测试结束后拉一个简单表格看一眼，花不了几分钟，但能提前发现正式发布后才会暴露的问题。有一次预测试发现某道开放题的跳过率到了百分之六十，我把题目从“请描述您在使用过程中遇到的所有问题”改成“请描述最近一次使用中让您感到不方便的一个具体场景”，跳过率降到了百分之十五。
预测试还有一个容易被忽略的作用，就是测跳转逻辑。正式发布之后跳转错了，受访者会直接关掉页面，你连补救的机会都没有。预测试的时候我会专门安排两个人走不同路径，一个选“使用过”一个选“未使用过”，看跳转是不是按设计走。有一次跳转设置里漏了一个条件，选“未使用过”的人还是被推到了使用体验题，试填的人当场就问我“我没用过你问我这些干嘛”。这个错误在预测试阶段抓出来，改一下跳转规则就完了，要是正式发布才发现，那一批数据基本作废。
4.3 问卷质量评估指标与迭代优化机制
评估一份问卷好不好，我手里有一套自己的指标，不复杂但每一条都跟实战挂钩。第一条是目标覆盖率，把调研目标拆成若干子问题，逐条对照问卷里有没有对应的题目，覆盖率低于百分之九十我就回去补题。第二条是题目冗余度，看有没有两道题在问同一件事，冗余度高的问卷受访者填到后面会烦。第三条是逻辑错误数，跳转错误、选项交叉、必答设置遗漏这些都算，这个数只要大于零就得改。第四条是预测试完成率和答题时长，前面说过了，这里不重复。第五条是数据可分析性，每道题回收上来的数据能不能直接进分析表，选项分布有没有明显的天花板效应或地板效应。五条指标过一遍，问卷能不能发心里就有数了。
迭代优化我按月做一次复盘，把当月发的几份问卷拉出来一起看。复盘的时候我会重点找两类问题：一类是反复出现的，比如连续三份问卷都出现了选项交叉的问题，说明提示词模板里的约束不够狠，得加一条强制自检指令。另一类是单次出现的奇葩问题，比如某道题的选项里混进了一个跟题目完全无关的选项，这种就记一笔，下次生成的时候在提示词末尾提醒一句“生成后请逐题检查选项与题干的相关性”。复盘产出两份东西，一份是模板修改记录，一份是问题清单。模板修改记录攒到一定数量我会整体更新一次模板库，问题清单就放在手边，每次写新提示词的时候扫一眼。
迭代还有一个维度是跨项目复用。我做过一个需求验证类的问卷，前后迭代了四版，最后一版的效果明显好于第一版。我把这四版的提示词和问卷都存了下来，后面再做同类调研的时候直接拿第四版当起点，只改调研目标和背景信息。四版迭代里最值钱的改动是加了一条“每个需求点至少配两道题，一道问重要性一道问现状满意度”，这条规则让需求优先级的判断准确了很多。复用的前提是记录要细，光存最终版没用，中间每一版改了什么、为什么改，都得记下来。我的做法是在提示词文档末尾加一个修改日志，每次改完写一行，比如“v3：增加选项互斥自检指令，解决Q4选项交叉问题”。日志写多了回头看，能看出自己的提示词在哪个方向上一直在打补丁。
4.4 实战案例拆解与最佳实践总结
去年年底我做了一个SaaS产品的续费意愿调研，从提示词到发布全程走了一遍新工作流，结果还不错，拿出来拆一拆。调研目标是搞清楚哪些因素影响客户的续费决策，以及不同客户群体之间有没有差异。提示词里我把角色设定成“一位做过五年B端SaaS客户成功调研的研究员”，背景信息交代了“上季度续费率环比下降三个点，销售团队反馈竞品在打价格战”。约束条件列了四条：不直接问续费意愿（避免引导）、价格敏感度题放在靠后位置、开放题不超过两道、所有量表题带完整锚点。生成出来三版，我选了第二版做基础，因为它的题目结构最贴近我想要的逻辑线——先问使用深度，再问价值感知，然后问竞品接触情况，最后问续费决策因素。
人工校验的时候抓了几个问题。有一道题问“您认为当前定价是否合理”，选项只有“合理”“偏贵”“非常贵”，没有“偏便宜”和“不确定”，这是典型的选项偏差。我在提示词里明明写了“选项需覆盖正反中三个方向”，AI在这道题上没执行到位。还有一道跳转设置错了，选了“未接触过竞品”的人还是被推到了竞品对比题，这个在预测试的时候被试填的人当场发现。改完之后又跑了一轮预测试，完成率从第一轮的百分之七十三提到了百分之九十一，平均答题时长从四分钟拉到了六分半，说明受访者确实在认真看题了。
最终版发出去回收了二百多份有效问卷，数据分析出来的结论跟销售团队的直觉基本吻合，但更细。价格敏感度在不同客户规模之间差异很大，小微客户对价格最敏感，中大客户更在意服务响应速度。这个细分结论在调研之前没人提出来过，后来直接被用到了续费策略的调整里。复盘的时候我把这个案例的提示词、问卷、预测试记录、分析结论整理成了一份完整的案例文档，放在团队共享盘里。后来同事做类似调研，直接拿这份文档当参照，省了至少半天的启动时间。
最佳实践我总结了几条，都是踩坑踩出来的。一条是“提示词里写的约束，生成后必须逐条核对”，AI不是每次都听话，你不核对它就敢漏。另一条是“预测试至少找一个人走非主路径”，主路径大家都会测，跳转分支的坑往往藏在非主路径里。还有一条是“每份问卷留一道‘哨兵题’”，放一道答案已知的题在中间，回收数据的时候看这道题的填答情况，能判断受访者有没有认真填。哨兵题不要多，一道就够，多了受访者会觉得被套路。最后一条是“模板更新要小步快跑”，每次复盘改一两条约束就行，一次改太多条，下次出问题你都不知道是哪条改动引起的。
这套工作流跑顺之后，我做问卷的心态变了。以前是“赶紧生成完赶紧发”，现在是“慢一点把前置工作做扎实，后面省事”。提示词多花二十分钟打磨，人工校验能省半小时，预测试多花半天，数据清洗能省两天。这笔账算下来，前置投入怎么都划算。
