1.1 什么是产品命名筛选提示词：定义、作用与边界
我带过几个命名项目，团队常常在几十个候选名里挑花眼。每次评审会开两小时，拍板的那个名字，往往还是老板一拍脑袋定的。后来我开始用提示词让AI先做一轮筛选，情况才慢慢好转。产品命名筛选提示词，说白了就是一段写给AI的指令，告诉它按什么标准去评价一堆名字，把明显不行的先淘汰掉，把值得讨论的留下来。它的作用点在“筛”，不在“创”。这点得先想清楚，不然很容易把它当成起名工具，期待它吐出几个惊艳的名字，反倒失望。
它的边界也在这儿。筛选提示词不负责灵感迸发，不负责拍板决策。它更像一个不知疲倦的初级评审，帮你把候选名单从五十个压到十个，把那些谐音不雅、含义跑偏、明显撞车的名字挑出来。至于选哪个，还是得人来定。我见过有人把筛选结果直接当最终答案用，这就越界了。
1.2 为什么需要提示词筛选：提升命名评估效率与一致性
命名评审最头疼的是标准飘忽。今天张三觉得这个名字好，读着顺；明天李四觉得不行，联想到某个不好的词。每个人心里都有一杆秤，秤砣还不一样。用提示词做筛选，最大的好处是把评价标准显性化。你在提示词里写清楚要看哪几个维度，每个维度什么算好什么算差，AI就按这个尺子量。量出来的结果不一定全对，至少尺子是统一的。
效率这块更直观。人工评审五十个名字，认真点得花半天。AI跑一轮，几分钟出结果。省下来的时间可以花在真正需要人判断的地方——比如那几个评分接近的名字，到底哪个更贴合品牌长期战略。我一直觉得，AI筛选的价值不是替人做决定，是把人的精力从重复劳动里解放出来。
1.3 典型适用场景：新品命名、品牌升级、候选名批量评审
新品命名是最常见的场景。产品要上市了，市场部攒了一堆候选名，良莠不齐。这时候丢给AI先筛一遍，把含义有硬伤、明显不合规的先剃掉，剩下的再开会讨论。品牌升级的场景不太一样，老品牌要焕新，候选名往往带着历史包袱，筛选时得额外关注新旧衔接的问题，提示词里要加上“是否延续原有品牌资产”这类维度。
候选名批量评审也常用。有些团队做命名工作坊，一下午产出上百个名字。人看一百个名字会麻木，看到第三十个就开始凭感觉打勾。AI不会麻木，每个名字都按同一套标准过一遍。我做过一次对比，同一批名字人工初筛和AI初筛的结果重合度大概七成，差的那些恰恰是人疲劳之后漏掉的。
1.4 产品命名筛选提示词与普通命名提示词的区别
普通命名提示词是“给我起个名字”，筛选提示词是“帮我看看这些名字行不行”。一个是生成，一个是评估。生成靠的是发散，评估靠的是收敛。这两个动作对提示词的要求完全不同。生成类提示词要写得开放，给AI留想象空间；筛选类提示词要写得收拢，维度、标准、输出格式都得卡死，不然AI给你的评价会飘。
我早期犯过一个错，拿生成类的提示词改了几个字就当筛选用，结果AI一边评价一边忍不住提新名字，输出里混着一堆“建议改为XX”。后来我才明白，筛选提示词里得明确写“不要生成新名字，只评价给定列表”。这个约束看着小，不加的话输出会乱成一锅粥。
2.1 语义维度：含义准确、联想正向、歧义规避
语义这关最容易被跳过。很多人拿到候选名第一反应是“好不好听”，把意思对不对放后面。我见过一个做儿童零食的品牌，候选名里有个“小饿魔”，团队觉得可爱又抓耳。AI筛选时第一轮就标了黄牌：家长看到“魔”字什么感受？这名字孩子喜欢，掏钱的人不喜欢。含义准确不是要求名字把产品功能说全，而是别让核心受众产生负面联想。提示词里得写清楚：请从目标用户视角评估这个名字可能触发的情感反应，列出所有可能的负面解读。
歧义规避是语义维度里最技术性的部分。中文尤其麻烦，谐音、多音字、方言读法都能让一个好名字翻车。我自己的做法是在提示词里要求AI做“三遍读法测试”：普通话读一遍、主要方言读一遍、快速连读三遍。连读三遍这条是从广告投放经验里来的，三十秒TVC里品牌名至少出现五次，连读拗口的名字根本记不住。AI做这个测试比人稳定，它会老老实实每个名字都过一遍，人看多了就麻木了。
语义正向这块我吃过亏。早期提示词里只写了“避免负面联想”，AI就只盯负面词，把一些中性偏平淡的名字放过了。后来加了一条“请标注名字的情感强度：强正向/弱正向/中性/弱负面/强负面”，输出结果才完整。弱正向的名字不是不能要，但得知道它弱，跟强正向的放一起比较时心里有数。
2.2 品牌维度：调性匹配、差异化、记忆点与传播性
调性匹配听着虚，写进提示词就实了。我通常要求AI先复述一遍品牌定位关键词，比如“专业但不冷、年轻但不轻浮”，让它按这个尺子去量每个候选名的气质。有个做B端软件的朋友，名字叫“轻流”，AI给的调性评价是“轻盈感强、专业感偏弱”，跟他们的定位有偏差。这个判断人也能做，但AI能同时给二十个名字做同样的判断，人做不到。
差异化这件事得靠对比。单独看一个名字很难说它有没有差异化，放进候选池里就清楚了。提示词里我会让AI做两件事：先找出候选名之间的同质化分组，比如五个名字都用了“智”字打头，归为一组；再标注每组里哪个辨识度最高。有一回我们给一个茶饮品牌筛名字，AI把“茶小满”“茶小闲”“茶小野”归成一组，指出这组名字互相之间差异极低，建议只保留一个进入终审。这个洞察很值钱，人工评审往往因为每个名字单独看都不错，忽略了它们放在一起会互相稀释。
记忆点和传播性我分开来评。记忆点是“听一遍能不能记住”，传播性是“愿不愿意跟别人说”。有些名字好记但说不出口，比如带生僻字或者需要解释才能懂的梗。提示词里我会要求AI模拟一个场景：用户向朋友推荐产品时会怎么说这个名字。输出“我最近在用XX”这句话，看顺不顺。这个方法比抽象打分管用。
2.3 用户维度：目标人群理解度、文化适应性与情感共鸣
目标人群理解度这关，AI比人少一层滤镜。做命名的人通常是行业老手，对产品理解太深，容易高估用户的认知水平。提示词里我会写：请以“第一次听说这个产品的人”的视角，判断这个名字是否需要额外解释才能理解产品类别。比如“元气森林”不需要解释，“醴铎”就需要。需要解释的名字不是不能用，但推广成本会高，这个判断得摆在台面上。
文化适应性在跨区域市场特别关键。同一个名字在北方话里没问题，到了粤语区可能有完全不同的谐音。我去年帮一个餐饮品牌筛名字，AI标注出“尚饮”在部分南方方言里读起来像“上瘾”，虽然不算恶性歧义，但餐饮品牌跟“瘾”字沾边总归要谨慎。提示词里我固定加一条：请检查候选名在主要方言区（粤语、闽南语、西南官话）的谐音风险，没有风险也要标注“已检查”。
情感共鸣是用户维度里最难量化的。我的办法是让AI做“场景联想”：听到这个名字，你脑子里浮现什么画面？是办公室、家庭客厅还是户外？画面里的人是什么状态？有一回筛到一个名字叫“半日闲”，AI给的画面是“周末下午、阳台、一本书”，跟产品想打的“通勤路上快速放松”场景对不上。这种偏差人也能感觉到，但说不清楚，AI把它画面化之后就一目了然了。
2.4 商业与合规维度：商标可注册性提示、域名与渠道适配、风险词规避
商标这块我先把丑话说前头：AI做不了真正的商标检索。它能做的是提示明显高危的名字。比如行业通用词、直接描述产品功能的词、跟知名品牌过于接近的词，这些在提示词里设成“预警词库”，AI扫描到就标红。真正能不能注册，还得人工去商标局数据库查。我吃过一次亏，AI筛过的名字觉得没问题，拿去注册发现早被抢注了，白高兴一场。提示词里写清楚“本项仅为初筛提示，不构成法律意见”，这个免责声明不是客套，是保命。
域名和渠道适配很实际。名字再好，域名被人占了、社交媒体账号注册不了，推广时就得加后缀或者换平台，传播效果打折。提示词里我会让AI做两件事：按常见域名后缀（.com/.cn/.co）生成建议域名列表，标注哪些可能已被占用（这个AI只能猜，但猜得挺准）；检查名字在微博、小红书、抖音的账号名长度限制内是否容易加修饰词。有些名字本身很长，加个“官方”就超字数了，运营会骂人。
风险词规避是合规维度的底线。广告法禁用词、行业特殊监管词、宗教民族敏感词，这些得列成清单写进提示词。AI过一遍比人可靠，人看五十个名字看到第三十个就开始走神，AI不会。我还会加一条“请标注名字是否容易被误认为药品/保健品/医疗器械”，这个坑在食品和化妆品行业特别常见。
2.5 评分规则设计：权重、分级、淘汰项与推荐结论
权重这事得认一个现实：没有标准答案。做儿童产品的，语义正向权重调高；做科技硬件的，差异化权重调高。提示词里我会让用户自己填权重，而不是给一套万能比例。填完之后AI按权重算总分，但我会要求它额外输出“单项最高分”和“单项最低分”的名字，防止总分平均但某一项有硬伤的名字被埋没。比如一个名字语义9分品牌3分，总分可能跟一个各项6分的名字持平，但那个3分是硬伤，得挑出来。
分级用三档就够了：淘汰、待定、推荐。淘汰项是一票否决制，语义有恶性歧义、合规有明确风险、商标明显撞车的，直接淘汰，不看总分。待定的是那些总分中等但有一两项亮点或者疑点的，需要人工细看。推荐的是总分高且没有单项明显短板的。我试过用五档，结果待定区太宽，人工复查看不过来，三档的颗粒度刚好。
推荐结论要写得有信息量。“建议选用A”这种话没用。我会要求AI写：A在语义和品牌维度领先，主要风险是XX，建议人工复核商标和方言发音；B总分略低但记忆点单项最高，如果品牌策略偏重传播效率可作为备选。这样的结论拿给决策者看，三秒钟能抓住重点。淘汰理由同理，不能只写“不符合标准”，得写清楚是哪个标准、什么证据触发淘汰。我见过最敷衍的AI输出是“风险较高”四个字，这种理由没法拿去说服人。
评分规则里还有一个容易被忽略的细节：并列怎么处理。二十个名字里三个同分是常事。提示词里得写清楚并列时的排序逻辑，按权重最高的维度排，还是按淘汰风险从低到高排。我一般选后者，因为筛选阶段规避风险比追求亮点更要紧。
3.1 模板整体结构：角色、任务、输入、标准、输出与约束
我刚开始写筛选提示词的时候犯过一个典型的错：把整段提示词写成了一坨，角色、任务、标准全混在一起，AI读起来倒也能跑，但每次输出格式都飘，这次给表格下次给段落，复用起来特别难受。后来我学乖了，把模板切成六个固定区块，像填表单一样往里塞内容。这六个区块分别是角色、任务、输入、标准、输出、约束，顺序也按这个来。角色放最前面，是因为它决定了AI进入哪个语境——你让它当“资深品牌策略师”和让它当“命名评审助手”，输出的口吻和严格程度完全不一样。我通常写“你是一位有十年消费品品牌经验的命名评审顾问，擅长从语义、传播和合规角度挑出有风险的候选名”，这句话看着简单，但能明显压住AI那种“每个名字都挺好”的捧场倾向。
任务区块要解决的是“这次到底要AI干什么”。不能只写“帮我筛选名字”，得写清楚筛选范围、判断依据和交付物。我的习惯是写三句话：从下面N个候选名里筛出推荐名单，按给定标准逐项评分，对每个淘汰名给出可复核的理由。这三句话把筛选动作、评分动作和解释动作全框住了。有回我偷懒只写了“筛选一下”，AI输出的结果里有一半名字连分数都没有，全是“建议进一步考虑”这种废话。
输入、标准和输出这三个区块是绑在一起的，输入决定AI能看到什么，标准决定它拿什么尺子量，输出决定结果怎么落地。我的经验是输入部分要写得“够用但不过量”，标准部分要“可量化”，输出部分要“格式锁死”。约束区块放最后，专门处理那些AI容易越界的地方，比如“不要编造商标注册结果”“不要根据名字好听程度直接下结论”“遇到信息不足的维度标注‘待人工补充’而不是瞎猜”。这条约束特别重要，我见过AI对没有把握的候选名硬给合规判断，写了一大段分析，最后全是错的，还不如直接说“这项我没法判断”。
模板整体结构听起来是形式问题，实际上决定了提示词能不能复用。我自己的模板用了快两年，中间改的是各区块的内容，六个区块的骨架没动过。团队里新人拿过去，把输入字段一换就能跑，不用重新学怎么组织语言。
3.2 输入字段设计：产品信息、品牌定位、候选名列表与背景资料
输入字段是模板里最容易被写敷衍的部分。多数人只放候选名，顶多加一句“这是个饮料品牌”，然后指望AI给出靠谱判断。这就像让人去相亲，只给一张照片不给年龄职业爱好，能看出什么来。我的模板里输入分四块：产品信息、品牌定位、候选名列表、背景资料。产品信息至少写清楚品类、核心功能、价格带、目标市场。品类这一项尤其重要，“苏打水”和“气泡水”在消费者脑子里是完全不同的东西，AI判断名字合不合适的时候，得先知道它站在哪个货架上。
品牌定位的写法有讲究。不要写“高端、年轻、有品质”这种三件套形容词，AI会照单全收然后给每个名字都打勾。我一般要求用户填三样东西：一句话品牌主张、三个品牌人格关键词、一个“绝不想要”的调性描述。最后这个反向描述特别好用，比如“绝不想要廉价感”或者“绝不想要说教感”，AI拿着这把反向尺子去量，能挑出一些正向描述漏掉的问题名。有个做母婴用品的客户填了“绝不想要焦虑感”，AI就把候选名里带“护”“守”字的一批名字标了出来，说这些字容易触发家长的保护焦虑，这个洞察很到位。
候选名列表的格式我要求一行一个，附带来源渠道和内部初评。来源渠道这件事很多人觉得没必要，但候选名是老板拍脑袋想的、代理商提案来的还是AI批量生成的，筛选时的严格程度应该不一样。老板想的名字你直接标淘汰，需要更充分的理由。我一般让AI在输出时标注名字来源，方便后续沟通时心里有数。
背景资料不是必填项，但填了效果不一样。竞品名字清单、过往失败案例、行业禁用词表，这些塞进输入里，AI的判断会更有依据。我手头有个固定提醒：涉及方言市场的项目，一定把主要方言区写进背景资料，不然AI默认按普通话判断，漏掉谐音风险的概率不低。
3.3 筛选字段设计：逐项评分、问题标注、风险提示与改进建议
筛选字段是模板的肉，前面章节讲的那些评价维度，落地全靠这些字段来承载。我在模板里把筛选字段分成四类：逐项评分、问题标注、风险提示、改进建议。逐项评分对应第2章讲的语义、品牌、用户、商业合规四个维度，每个维度下再拆两到三个子项，用1到10分打分。子项拆得细一点，评分才有区分度。只给维度打分的话，AI容易给“品牌维度7分”这种笼统结论，拆成“调性匹配”“差异化”“记忆点”“传播性”四个子项之后，哪个弱一眼就看出来了。
问题标注字段专门抓那些“不致命但膈应”的地方。评分是打分，问题标注是挑刺，两个动作分开做，AI的表现明显更稳。我会写“请为每个候选名标注至少一个潜在问题，即使总分很高也要标注”。这条指令刚加进去的时候，AI很不适应，总想写“无明显问题”。我把例子嵌进提示词里示范了一下，比如“名字中的‘悦’字使用频率过高，可能缺乏辨识度”，它才开始认真挑。这个字段的价值在于，它逼着AI从挑刺视角重新过一遍名字，很多隐藏问题就是这么翻出来的。
风险提示针对的是硬伤和合规红线，单独设一栏，用红黄绿三色标注。红色是明确风险，比如撞了知名品牌、含广告法禁用词；黄色是疑似风险，比如方言谐音存疑、商标可能已被占用；绿色是未发现明显风险。这一栏我要求AI写清楚“风险类型+证据+建议动作”，光写“有风险”三个字等于没写。有个提示词版本我忘了加“证据”要求，AI输出的风险提示全是“存在一定合规风险”，拿去给法务看，法务直接退回来了。
改进建议是很多模板漏掉的字段。筛选不是终点，筛完之后用户往往需要知道“这个名字还能不能救”。我会要求AI对进入待定区的名字给一条具体修改建议，比如“将‘鲜’替换为‘初’，可降低与竞品的相似度”。修改建议不用给太多，一条就够，多了用户反而不知道听哪个。淘汰区的名字不用给建议，那是浪费算力。
这四个字段之间的关系我琢磨了很久。逐项评分负责排序，问题标注负责暴露细节，风险提示负责一票否决，改进建议负责二次利用。四个字段全跑一遍，一个候选名的优缺点基本就摸清了。
3.4 输出格式设计：排名表、推荐名单、淘汰理由与决策摘要
输出格式这事儿，吃过亏的人才知道有多重要。早期我写的提示词对输出没做硬性约束，AI今天给Markdown表格，明天给编号列表，后天直接甩一段散文，复制到汇报PPT里还得重新排版。后来我把输出格式写死在提示词里，分四块：排名表、推荐名单、淘汰理由、决策摘要。这四块各有各的用途，缺一块就得人工补。
排名表是给执行层看的，要求包含候选名、各维度得分、总分、风险等级、结论标签。表格的列顺序我固定下来，从名字到结论一路排过去，扫一眼就能定位问题名。表格里我加了一列“单项极值”，标出这个名字在哪个子项上拿了最高分或最低分。这个设计是从第2章讲的“防止平均分埋没偏科名”来的，有了这一列，一个总分中等但传播性单项第一的名字不会被漏掉。
推荐名单只放进入终审的名字，一般控制在三到五个。名字太多决策者会陷入选择困难，太少又缺乏比较空间。推荐名单里每个名字配一句话推荐语，写清楚它的核心优势和一个需要注意的点。我要求推荐语里必须出现具体维度名称，不许写“综合表现优秀”这种空话。
淘汰理由这个字段，我见过太多糊弄的写法。模板里我定了两个硬要求：每条淘汰理由必须引用具体标准，必须说明触发淘汰的临界值是什么。比如“语义维度中负面联想子项得分3分，低于及格线，主要负面联想为XX”。这种写法能让人复核，也能让提名字的人心服口服。有回一个客户拿着淘汰名单来争论，我把AI写的淘汰理由调出来给他看，他看完说“那确实不行”，省了一场会。
决策摘要放最前面还是最后面，我犹豫过。放最后面逻辑顺畅，但决策者没耐心翻到底。现在我的模板把决策摘要放在输出最前面，三句话概括：有几个候选名、推荐几个、最需要人工复核的是什么。这三句话说清楚，后面那些表格和理由就是详细支撑材料，看不看都行，决策信息已经拿到了。
3.5 产品命名筛选提示词模板示例与字段使用说明
光讲结构不给出成品，等于纸上谈兵。我把自己在用的模板脱敏后放出来，字段名和逻辑不动，具体业务信息替换成占位符。这个模板可以直接复制粘贴去用，也可以按项目需要增删字段。
你是一位有十年消费品品牌经验的命名评审顾问，擅长从语义、传播和合规角度评估候选品牌名。
从下方候选名列表中筛选出推荐名单，按给定标准逐项评分，对每个淘汰名给出可复核的理由。
- 产品信息：【品类/核心功能/价格带/目标市场】
- 品牌定位：主张【一句话】；人格关键词【三个词】；绝不想要的调性【一句话】
- 候选名列表：【逐行列出，附来源渠道】
- 背景资料：【竞品名/失败案例/方言区/行业禁用词】
按以下维度打分（1-10分）：
1. 语义（含义准确/联想正向/歧义规避）
2. 品牌（调性匹配/差异化/记忆点/传播性）
3. 用户（理解度/文化适应性/情感共鸣）
4. 商业合规（商标提示/域名适配/风险词）
每个候选名标注至少一个潜在问题。风险等级用红黄绿标注，附风险类型、证据和建议动作。进入待定区的名字给一条修改建议。
1. 决策摘要（三句话）
2. 排名表（候选名/各维度得分/总分/单项极值/风险等级/结论标签）
3. 推荐名单（三到五个，每个配一句话推荐语）
4. 淘汰理由（引用具体标准+临界值）
不编造商标注册结果；不根据名字好听程度下结论；信息不足的维度标注“待人工补充”；并列时按风险等级从低到高排序。
字段使用说明得配套写，不然新人拿到模板照样不会填。我重点提示三个地方。第一，品牌定位里的“绝不想要的调性”别空着，这个字段填得好，AI筛选的准头明显提升。第二，候选名列表里的来源渠道要如实写，内部提案和外部提案的评审尺度不一样，AI需要知道这个信息。第三，背景资料里的方言区要按项目实际市场填，全国性项目填粤语、闽南语、西南官话三大区，区域性项目填当地主要方言。这三条写进说明文档之后，团队里模板的误用率降了不少。
模板和字段说明是配套的，只给模板不给说明，用的人会凭感觉填，填出来的东西五花八门，AI的输出质量跟着波动。我现在的做法是把模板和说明放在同一个文档里，说明用批注形式挂在对应字段旁边，谁填谁知道该往哪个方向使劲。
4.1 明确筛选目标：先定义成功命名与淘汰标准
写筛选提示词之前，我干过一件特别蠢的事。那次我直接打开对话框，敲了一句“帮我筛一下这些名字哪个好”，然后把二十个候选名甩进去。AI倒是很配合，洋洋洒洒输出了一千多字，每个名字都夸了一遍，最后给了五个“推荐”。我拿着那份推荐去找业务方，对方问了一句“你这推荐依据是什么”，我当场卡住。那次教训让我明白，筛选提示词的第一句话不该是“帮我筛”，而是“筛的标准是什么”。
后来我养成一个习惯，动笔写提示词之前先在纸上画两列。左边一列写“什么样的名字算成功”，右边一列写“什么样的名字直接淘汰”。左边通常填三到五条，比如“目标用户听一遍能记住”“调性跟品牌人格对得上”“没有明显谐音风险”。右边填的是硬杠线，比如“撞了同品类知名品牌”“含广告法明确禁用的极限词”“核心含义跟产品功能矛盾”。这两列写完，提示词的任务描述基本就出来了。我一般会把左边那列叫“目标锚点”，右边那列叫“淘汰红线”，写进提示词的时候直接分成两个区块。
定义淘汰标准比定义成功标准更难，也更值钱。成功标准很容易写成“好听好记有意义”这种废话，AI看了等于没看。淘汰标准一旦写具体，筛选的锐度立刻上来。我现在的习惯是至少列出三类淘汰项：语义类（负面歧义、功能冲突）、合规类（侵权风险、禁用词）、品牌类（调性严重背离、与竞品高度相似）。每类下面再举两三个实际例子。有回我把“名字中带‘霸’字且产品面向儿童市场”设为淘汰红线，AI就把一个叫“小霸星”的候选名单独拎出来标红，说这个字容易引发家长对攻击性联想的担忧。这条判断不见得百分百对，但它把一个模糊的“不太合适”变成了可讨论的具体问题。
还有一种情况得提前想清楚：筛选结果分几档。我现在的模板固定分四档——推荐、待定、淘汰、需人工复核。这四档不是拍脑袋分的，对应的是后续动作不同。推荐的直接进商标查询池，待定的需要改名或补充论证，淘汰的出局，需人工复核的是AI拿不准或者信息不够的。有回一个候选名在语义和品牌维度得分都很高，但商标维度信息缺失，AI把它标成“需人工复核”，避免了误杀。
4.2 编写清晰指令：任务边界、评价维度与输出要求
指令写得清不清楚，有个很朴素的检验方法：你把这段指令念给一个没参与项目的人听，他能不能复述出你要他干什么。我早期写的指令就属于“自己看得懂别人看不懂”的类型，比如“请从多维度评估这些名字”。什么叫多维度？AI只能猜。它猜出来的维度可能跟你心里想的完全不是一回事。后来我强迫自己把每个指令拆成三个要素：动作、对象、约束。动作是“筛选”“评分”“排序”这类动词，对象是“哪些名字”“按什么标准”，约束是“输出格式”“不许干什么”。
任务边界这一块，我吃过“范围太宽”的亏。有次写了一句“评估这些候选名的优劣”，AI把每个名字的来龙去脉都分析了一遍，连名字的汉字结构都拿来说事。我要的筛选结果反而被淹没了。后来我把动作改窄：“从以下候选名中筛选出进入终审环节的名字，对每个名字按四个维度打分，对淘汰名给出具体理由。”动作从“评估”改成“筛选”，对象加上“进入终审环节”这个限定，AI的输出立刻收拢了。
评价维度的写法有一个小技巧：每个维度下面必须挂子项。只写“语义维度”不够，得写成“语义维度包含含义准确、联想正向、歧义规避三个子项，每个子项1到10分”。子项拆得越细，AI打分时的犹豫越少。我见过一个很聪明的做法，有人在提示词里给每个子项写了反例。比如“歧义规避子项：如果名字在主要方言区听起来像脏话或负面词汇，此项不超过3分”。这种带触发条件的评分说明，比干巴巴写“评估歧义”管用得多。
输出要求最容易犯的错是“默认AI知道”。AI不知道你要表格还是段落，不知道分数是百分制还是十分制，不知道总分怎么算。我现在的做法是把输出格式在指令里用示例锁死。比如写“排名表必须包含以下六列：候选名、语义得分、品牌得分、用户得分、合规得分、总分、结论”，然后直接贴一个空表格的Markdown格式进去。AI看到这个空表格，输出格式基本不会跑偏。有回我忘了贴表格示例，AI给了一个嵌套列表，每层缩进还不一样，复制到Excel里全乱了。
指令的语序也值得琢磨。我习惯把最重要的要求放最前面，把补充说明放后面。比如“所有候选名必须逐项打分，不允许只给总分”这句话，我会放在任务描述的第一句。AI的注意力分配往往开头吃重，写在前面的指令遵守率明显更高。
4.3 引入示例与反例：提升AI筛选判断的稳定性
标准写得再细，AI也会有理解偏差。这时候示例就是最有效的校准工具。我在提示词里放示例，分两种：正例和反例。正例告诉AI“这样的判断是好判断”，反例告诉AI“这样的输出是坏输出”。两种一起放，效果比只放正例好一大截。
正例我一般放两到三个。每个正例是一段完整的候选名评估片段，包含评分、问题标注和结论。比如我会写“参考示例：候选名‘初芽’，语义维度中含义准确子项9分（‘初’传达起始感，‘芽’暗示生长），联想正向子项8分（未触发负面联想），歧义规避子项7分（需确认在西南官话区是否有特殊含义）。”这段示例的作用是多重的：它展示了打分粒度（具体到子项），展示了理由写法（引用字义和方言考量），还展示了不确定性标注（“需确认”而不是硬给分）。AI看完这段，输出风格会被拽过来。
反例比正例更难写，但效果更猛。我通常会放一段“反面示范”然后紧跟一句“不要这样写”。反例的典型样本包括：只给总分不给子项分、理由全是形容词没有事实、风险提示只写“有风险”不写证据、结论用“建议考虑”这种模糊表述。有回我把一个反例贴进去，写的是“候选名‘星耀’，综合表现优秀，建议推荐”，然后跟了一句“这个反例的问题是：没有引用任何具体维度，没有标注潜在问题，结论缺乏可复核依据”。加了这段之后，AI输出里“综合表现优秀”这种话出现频率直线下降。
示例放在提示词的哪个位置也有讲究。我试过放最前面和放标准后面两种。放最前面，AI容易把示例当成标准本身，后面写标准反而被忽略。放标准后面、输出要求前面，相当于在讲完规则之后给一个“参考答案”，这时候AI对规则的理解已经建立，示例起的是校准作用而不是替代作用。我现在固定放在标准区块和输出区块之间，并以“以下是输出风格示例”作为分隔语。
还有一个细节：示例里的信息要和实际输入保持结构一致。有回我示例里用的是饮料品牌案例，输入的是母婴产品，AI的输出里居然出现了“口感清爽”这种描述，明显是把示例里的品类词迁移过来了。后来我在示例末尾加了一句“示例仅展示判断逻辑和输出格式，不迁移示例中的品类词汇”，这个问题才压住。
4.4 使用结构化输出：评分表、结论标签与理由依据
结构化输出这件事，我是被逼出来的。早期AI给的输出是“我觉得A不错，B也可以，C稍微差一点”，我拿着这种结果去汇报，老板问“A和B差多少”，我只能说“AI觉得差不多”。从那以后我明白，筛选提示词的输出必须像体检报告，每一项有分数、有结论、有依据。
评分表是结构化的第一层。我要求AI输出一个表格，行是候选名，列是各维度子项得分加总分和结论。表头我直接在提示词里写死，连列的顺序都固定。列顺序这事看着小，实际影响很大。我把“结论标签”放在最后一列，前面全是分数细节，看表的人会自然沿着“分数→风险→结论”的路径走。有回我把结论放在第一列，结果大家只看结论不看分数，讨论时全在争“为什么这个被淘汰”，没人看具体的低分项。
结论标签得提前定义好，不能让AI自己发明。我的提示词里固定写一句“结论标签只能从以下四个中选一个：推荐、待定、淘汰、需人工复核”。这条约束堵死了AI自由发挥的空间。有一版提示词我忘写这个限制，AI输出了“建议优先考虑”“可进一步评估”“暂不推荐但保留”等七八种标签，统计的时候根本没法归类。
理由依据是结构化输出里最容易被写虚的部分。我要求每一条结论后面跟一句“依据：”，格式是“依据：维度名+子项名+得分+具体原因”。比如“依据：语义维度/歧义规避子项得分为3分，原因是‘迪’字在粤语中与‘得’同音，可能被读作‘做得’，产生歧义”。这种写法把结论和证据焊在一起，复核的人不用二次猜测。有个做食品的客户看完这种输出格式后说了一句让我挺受用的话：“这比我以前收到的文字报告好用，我能直接拿这个格式去跟法务对。”
表格之外，我还要求AI输出一段“决策摘要”，限定三句话以内。第一句说筛了多少个留了多少个，第二句说推荐名单的核心共性是什么，第三句说最需要人工干预的点在哪里。这三句话放在输出最前面，给决策者一个快速抓手。我试过把这摘要放最后，结果十次有八次没人翻到底，全在群里问“所以到底推荐哪个”。
4.5 负面约束与风险控制：避免主观偏好、虚假合规判断与过度联想
负面约束写得够不够狠，决定了一次筛选靠不靠谱。我踩过的坑里面，虚假合规判断排第一。AI特别爱对商标可注册性发表意见，写“该名称商标注册通过率较高”或者“存在商标抢注风险”，实际上它根本没有商标数据库的访问权限。有回一份输出里AI写了句“该名在35类已完成注册”，客户法务差点拿着去用。后来我在约束区加了一条硬规则：“不得对商标注册状态或注册成功率做任何判断，涉及商标信息一律标注‘需专业检索，AI无判断依据’。”
主观偏好是另一大风险源。AI判断名字好坏时，会不自觉偏向某些字或某些音节。我观察到一个规律：名字里带“悦”“熙”“颜”“初”这些字，AI给分普遍偏高，可能是训练数据里这类字出现的语境偏正面。意识到这一点之后，我在约束里加了一句“不要因为某字在语料中高频或正面就自动加分，每个字的加分必须追溯到输入中给出的品牌定位或用户特征”。另外我还加了一条“若两个候选名总分相差不超过0.5分，视为同分档，并列输出，不做强行排序”，防止AI为了凑排名硬分先后。
过度联想也是老毛病。你给它一个叫“山屿”的名字，它能扯到“山代表稳健，屿代表独立，合起来寓意在稳健中保持独立人格”。这种分析单看挺美，但对筛选没什么用。我的约束写法是“解释联想时必须指向具体目标人群或具体使用场景，禁止无锚点的诗意化延伸”。还有一条更直接的：“每个候选名的理由中，基于输入信息的客观判断不少于两条，主观联想不超过一条。”这条数量限制比讲道理管用。
风险控制还有一个常被忽略的点：负面约束不要写成“禁止”清单，要写成“遇到什么情况做什么动作”的规则。比如不要只写“不要瞎猜合规”，要写成“合规维度信息缺失时，该维度得分留空，结论标注为‘需人工复核’，并在理由中写明缺失的具体信息项”。这种条件-动作的写法，AI执行起来明显更扎实。
约束加多了之后会出现一个新问题：AI变得过度保守，什么都不敢判。我遇到过一版提示词约束太密，AI把一半名字标成“需人工复核”。后来我做了个减法，把约束分成两级：一级是硬禁止（比如不许编造商标数据、不许引用输入中没有的信息），必须遵守；二级是软提醒（比如谨慎使用主观联想），违反了也不影响结论有效性。这种分级写法让AI在边界内有了合理判断空间，输出可用率从六成提到了八成多。
4.6 提示词迭代方法：小样本测试、结果校准与版本优化
没有哪个筛选提示词是一次写完就能用的。我的习惯是至少跑三轮迭代。第一轮用五到十个候选名做小样本测试，看输出格式对不对、维度覆盖全不全。第二轮把结果拿给业务方看，收集“哪里觉得不对劲”的反馈。第三轮调整后上全量候选名。这三轮跑下来，提示词的可用度会有明显提升。
第一轮测试的重点是找结构性错误。我一般盯着四个地方看：输出格式有没有跑偏、有没有漏掉某个维度、淘汰理由是不是写了跟没写一样、风险等级标注是不是全都一个颜色。有回测试时发现AI给所有名字的风险等级都标了绿色，一个黄色都没有。我翻了一下输入，那批候选名里有两个明显有谐音问题的，AI全放过了。后来查出来是因为我的提示词里风险判断的描述太笼统，AI倾向于“没发现明显问题就标绿”。改法是把风险判断从“是否有风险”改成“逐项检查以下风险清单：谐音负面、竞品近似、禁用词、品类混淆”，每项单独判断。改完之后黄标就正常出现了。
第二轮的校准靠外部反馈。我通常会找两三个人看AI的输出，一个业务方、一个法务或合规、一个做过命名的老手。业务方看推荐名单合不合理，法务看风险提示有没有瞎写，老手看理由有没有说到点上。三个视角的反馈往往不重叠，正好覆盖不同的问题面。有回业务方说“推荐的三个名字感觉是一个模子出来的”，我回去查提示词，发现评分维度里“记忆点”和“传播性”权重给太高了，导致风格趋同的名字集体高分。后来我把“差异化”子项的权重调上来，推荐结果的多样性明显改善。
版本管理这件事听起来很工程化，做起来其实很简单。我给每个版本的提示词编个号，比如v1.0、v1.1，每次改了什么在文件开头用三行备注写清楚。迭代到第三版之后，我会把历史版本里被删掉的约束条件翻出来重新看一遍。有些约束当时觉得多余删掉了，过一阵发现某类问题又冒出来，说明那条约束不能删。这种“删了又加回来”的约束往往是最核心的，我现在固定保留的几条——不许编造商标数据、理由必须引用维度名、结论标签只能四选一——都是从删除名单里捞回来的。
迭代的节奏也值得说一下。不要等到提示词完美了才拿去用，我通常是v1.0就先跑起来，边用边改。每跑一批新候选名，就把输出里觉得不对劲的地方记一笔，攒够三五个问题改一版。这种小步快跑的方式比憋大招管用。我有个项目跑了七版提示词，每版改动都不大，但第七版的输出质量比第一版高出一大截，业务方采纳率从三成提到了七成多。回头看，真正起作用的不是哪一次大改，而是每次跑完都有人看一眼结果、记一笔问题。
5.1 标准工作流：候选名输入、AI初筛、人工复核与决策定稿
这套筛选提示词在纸上写得再好，不扔进真实工作流里跑几遍，根本不知道哪儿会卡壳。我现在的标准流程是四步走，每一步的交接物都提前定好，少一个环节后面就得返工。
第一步是候选名输入。听着简单，其实最容易埋雷。我现在要求候选名表至少包含五列：名字本身、创意来源一句话、目标品类、首推渠道、提出人。缺了“创意来源”这一列，AI做语义分析时只能凭字面猜，猜出来的联想跟提案人想表达的经常不是一回事。有回一个叫“麦序”的名字，AI解读成“麦子生长的节律”，挺文艺的，结果提案人说是“买（麦）的顺序”，想做的是零售结账场景。从那以后这一列我再也没省过。
AI初筛这一步，我通常跑两轮。第一轮用精简版提示词，只筛淘汰红线，把明显有硬伤的挑出来，十几分钟出结果。第二轮用完整版提示词，对过了红线的名字做全维度评分。两轮之间我会人工扫一眼第一轮的淘汰名单，确认没有被误杀的高潜力名字。这个扫一眼的动作，救回来过好几个第一轮因为“品类匹配度低”被淘汰、但实际上创意来源写得不够清楚导致AI误判的候选名。
人工复核和决策定稿我是分开做的。复核环节找两个人，一个业务口一个法务口，各看各的。业务口看推荐名单的合理性和多样性，法务口看风险提示有没有胡编。两个人不用坐一起讨论，各写各的复核意见，把分歧点标出来。定稿会只讨论分歧点，不从头过一遍名单。这种“分开复核、聚焦分歧”的做法，把定稿会时间从两小时压到了四十分钟。
决策定稿的输出物我固定成三件套：终选名单、备案名单、淘汰归档。终选名单是这次要用的，备案名单是这次不用但值得留着的，淘汰归档里每个名字都带淘汰理由和当时没考虑到的改进建议。归档这步最容易被省略，但半年后想做子品牌翻出来看的时候，就知道当年为什么淘汰了某个后来被别人注册的名字，这比任何回忆都靠谱。
5.2 案例拆解：不同产品类型下的筛选提示词应用思路
去年帮一个做植物基饮品的朋友筛名字，他们团队提了二十多个候选名，清一色的“绿”“植”“野”“素”打头。AI第一轮跑完推荐了七个，我看了一眼推荐名单就乐了——七个名字里五个带“植”字。这就是典型的维度权重设偏了，语义维度里“品类关联”权重给太高，导致所有带品类关键词的名字集体高分。
调整的思路是把“品类关联”从评分维度降级成淘汰红线的反向条件——“不含品类关键词但能通过场景描述建立品类联想的，语义得分享受加分”。同时把品牌维度里“差异化”子项的权重从15%提到25%。改完再跑，推荐名单变成了“晨莳”“露房”“白露集”这种不直接带品类词但能勾出植物感和时间感的名字，提案团队看了说“这批名字比之前那批有灵气”。
母婴类产品的筛选又是另一套逻辑。今年年初一个做婴童洗护的客户，候选名里有个“初芽”，语义维度分很高。我临时加了一组母婴专属的检查项：方言谐音、叠字接受度、家长群体社媒传播意愿、与现有婴童品牌名的重名概率。方言谐音这一项单独给了个表，列了粤语、闽南语、西南官话、吴语四个方言区的常见负面谐音对照。“初芽”在西南官话区被标了黄色预警，因为“芽”在某些地方口音里跟“伢”同音，“伢”在某些语境下指小孩，但组合起来可能被读成“初伢”，像在说“第一次当小孩”，意思有点绕。这个预警不算致命，但提案方看了之后主动把“初芽”从推荐位挪到了待定位。
SaaS产品的筛选最特殊，它的用户触点跟消费品完全不一样。我在评价维度里加了两项：域名可注册提示（只做拼写检查，不做实际注册判断）、搜索词干扰度（名字跟现有高频搜索词的重合度）。有个候选名叫“数栖”，语义和品牌维度都不错，但搜索词干扰度那项得分很低，因为“数栖”跟“数七”“数棋”在拼音上接近，用户在应用商店搜的时候容易跑偏。这条提示让团队放弃了一个看起来挺美的名字，改用了“数栖”的变体“数栖云”，加了两个字把搜索区分度拉开了。
5.3 常见问题与避坑：评分失真、理由空泛、合规误判与结果同质化
评分失真最常见的原因是维度之间的分数互相污染。我观察到一个现象：AI在给“语义维度”打分时，如果前面刚评完一个语义得分特别高的名字，后面那个名字的语义分容易被打低，哪怕它本身也不错。这就像老师批卷子，连着改了几份满分卷之后，看到一份八十分的会觉得“这怎么这么差”。我的应对方法是在提示词里加一句“每个候选名独立评分，评分时不参考其他候选名的得分”，再把评分顺序打乱——不按输入顺序评，让AI按名字首字母或者随机顺序评。
理由空泛这个坑，我踩的次数最多。AI特别爱写“该名称寓意美好、朗朗上口、易于传播”这种放之四海而皆准的话。我的堵法是给每个理由字段加一个强制格式：“引用输入信息+指出具体字词+说明判断依据”。比如不许写“寓意美好”，要写成“寓意：依据输入中‘产品主打清晨场景’的信息，‘晨’字直接指向场景，‘莳’字有种植移栽的意思，组合后指向‘清晨的植物培育’，与产品场景匹配”。格式锁死之后，空泛理由出现率降了七成。
合规误判我在第四章聊过，但落地时又冒出来一个新变种。有回AI把“商标可注册性”的判断藏在了“品牌维度/差异化”的子项理由里，写了一句“该名称与现有注册商标的区分度较高，注册风险低”。这条藏在理由里的合规判断比明着写更危险，因为它伪装成了品牌分析。我的处理方式是搜关键词，提示词里明确列出禁用词清单：注册、商标、通过率、总局、知识产权局，凡是出现这些词的地方，自动触发一遍人工核查。
结果同质化是团队用久了之后的新毛病。同一个提示词跑不同批次的名字，推荐的风格越来越像。我分析下来是因为提示词里积累的“正面示例”全是前几批选出来的风格，AI在模仿示例的审美。解法是每跑三批就换一次正面示例，故意换不同风格的名字做示例，比如前一批用简洁两字名做示例，下一批换成三字场景名。有回我甚至把示例换成了一个“怪但有效”的名字，就为了把AI的审美从舒适区里拽出来。
5.4 效果评估指标：筛选效率、结论一致性、人工采纳率与决策质量
不评估效果的流程优化全是自嗨。我固定追踪四个指标，每个指标都有具体的算法和基线值。
筛选效率最好算，从候选名输入到出初筛报告的时间，除以候选名数量。我的基线是每个名字不超过三分钟。超过这个数，要么是提示词输出格式太复杂导致AI生成慢，要么是输入信息缺太多导致AI反复追问。有回一批三十个名字跑了两个半小时，查下来是输出格式里要求每个名字生成一段两百字的改进建议，后来把建议字数压到八十个字以内，效率立刻回到基线。
结论一致性是个反向指标，衡量的是一批名字跑两遍，结论变化大不大。我的做法是每个月随机抽十个已经筛过的名字，用当前版本的提示词重跑一遍，看推荐/淘汰的结论有没有变。变化率超过两成，说明提示词某个地方不稳定，得查。有一次重跑发现三个名字的结论从“推荐”翻成了“待定”，追查下去是那版提示词把“记忆点”子项的评分标准从“读一遍能记住”改成了“听一遍能记住”，视觉型名字的得分普遍降了。这种隐性变化只有回测能抓出来。
人工采纳率是业务方给的反馈，推荐的名单里最终被采纳的比例。基线我设在五成以上，低于这个数说明AI推荐的东西跟业务判断有系统性偏差。有一批母婴产品名，推荐了五个只采纳了一个，我问业务方为什么，对方说“推荐的名字都太文艺了，不像给小孩用的”。我回头查提示词，发现用户维度里“目标人群理解度”的评分描述写的是“目标用户能否理解名称含义”，太笼统。改成“目标用户中的购买决策者（家长）能否在听一遍后准确复述并产生正面联想”之后，推荐名单明显接地气了。
决策质量最难量化，我的土办法是记两个数：定稿会时长和会后返工次数。定稿会时长少于三十分钟、会后返工次数为零的批次算高质量。达不到的批次我会翻记录看看是哪个环节导致的，是复核意见太发散还是AI输出的结论摘要没把关键分歧说清楚。这个记录攒了半年之后，我发现定稿会超时的批次里，八成是因为AI把“需人工复核”的标签给多了——给多了等于把决策责任全推回给人，那AI初筛等于白筛。
5.5 持续优化机制：评价维度更新、模板复用与团队协作规范
这套东西用久了会沉淀出一个团队资产库，但资产库不维护就会变成垃圾场。我现在每季度做一次维度盘点，把上一季度所有批次的评分数据拉出来看分布。发现某个子项的分数全在八分以上或者全在五分以下，说明这个子项要么定义太松要么太严，得调。上季度发现“传播性”子项平均分9.1，标准差0.4，等于这个维度没起区分作用。后来把传播性的评分描述从“是否易于传播”改成“在目标渠道的自然分享场景中，被主动提及的可能性高低”，得分分布立刻拉开了。
模板复用不是复制粘贴，是保留骨架换血肉。我的习惯是把提示词拆成三层：稳定层（角色定义、输出格式、硬性约束）、可调层（评价维度权重、示例）、场景层（具体产品信息输入区和专属检查项）。稳定层跨项目直接搬，可调层每个项目微调，场景层重写。这么拆的好处是，一个新项目上手时，稳定层不用动，可调层改三五个数字，场景层填半天，一套提示词就出来了。去年一年我跑了六个项目，从第三个项目开始，提示词准备时间从一天压到了两小时。
团队协作这块我踩过一个挺大的坑。一开始我把提示词文档放在共享文件夹里，谁想改谁改，结果一个月后版本乱成一锅粥，有人用旧版跑数据有人用新版。后来规矩改成三步：改提示词必须在文档开头写变更说明和修改人，改完先跑五个测试样本把结果贴到变更说明下面，通过之后才允许用于正式批次。另外设一个“提示词管理员”的角色，每两周看一次所有变更记录，把改得好的合并进主版本，改得差的回退。这个管理员不用全职，谁手上有空谁轮值，但轮值期间得对版本混乱负责。规矩立起来之后，版本回退率从四成降到了不到一成。
最后说一条软性的经验。这套流程和提示词能跑起来，靠的不是模型多强或者模板多精致，靠的是每跑完一批就有人把结果打开看一眼、把不对劲的地方记一句。我见过太多团队把提示词写完之后就当黑盒用，跑出来的结果直接贴给领导，领导问一句“为什么推荐这个”答不上来，下次就不用了。我现在的习惯是在每次定稿会后花五分钟写三行复盘：这次AI帮上忙的地方是什么、捅娄子的地方是什么、下次改哪个字段。这三行字存在项目文件夹里，半年后回头看，比任何教程都管用。
