夜雨聆风
AI给的信息越多越好?错.高手只让AI看一个点
一个人给 AI 扔了 500 条用户评论，让 AI「全面分析」。AI 出了一份 6 页报告，每个维度都有问题，每个问题都「建议优化」——她看完还是不知道先抓什么。10 分钟后，她换了一种问法，AI 给了 3 个精准问题，直接能拿去开会。
Helen 负责某产品的用户体验，每月要做一次 VOC 分析。这个月她拿到了 500 条用户评论，用了两种不同的方式问 AI——结果截然不同。
❌ 第一次：结构化但没聚焦
Helen 的 Prompt
「请对这500条用户评论做 VOC 分析。按产品质量、物流体验、售后服务、价格感知四个维度分类统计，每个维度给出主要问题和改进建议。」
AI 产出
6页报告，四个维度每个都有问题，每个问题都「建议优化」。看完依然不知道这个月应该先抓什么。
💡 Helen 在第一次输出里发现了线索
上月
38%
「产品本身」差评占比
本月 ⚠️
62%
「产品本身」差评占比
差评的主矛头从物流转向了产品本身——不只是数字变大了，是方向变了
✅ 第二次：带着线索，聚焦深挖
重新写的 Prompt
「这 500 条评论中，指向「产品本身」的差评占比从上月 38% 升至本月 62%。请聚焦这部分差评，提取 Top 3 高频问题，分析每个问题最集中出现在哪个使用阶段（开箱/安装/日常使用/售后）。」
AI 产出
3 个具体问题，每个标注了频次、典型用户原话和集中出现的阶段。一页简报，直接发给产品经理作为产品评审会的讨论输入 ✅
「全面覆盖」和「深挖一点」，差在哪？
🔭
全面覆盖
· 每个维度都分析
· 每个问题都「建议优化」
· 看完不知道先做什么
信息很多，行动力为零
🔬
深挖一点
· 先找到最值得追问的点
· 在那个点上做深度分析
· 得出有行动力的结论
信息精准，直接可执行
Helen 那 10 分钟里想了什么？
先看数据、找异常、定方向——这三件事，比任何 Prompt 技巧都管用
不只是看「数字变大变小」——更重要的是看「方向变了」。
Helen 发现的不是「差评变多了」，而是「差评的指向从物流转到了产品本身」——这个方向转变比数字本身更值得追问。
💡 方向性变化往往比数值变化更有信号量
把一个大问题定位到具体环节，AI 才能给出有针对性的分析。
Helen 没有直接问「为什么产品差评多了」，而是追问「这些差评集中在哪个使用阶段」（开箱/安装/日常使用/售后）。
💡 越具体的定位，AI 越能给出有行动力的结论
你是要改产品功能、调运营策略，还是升级售后流程？把决策需求告诉 AI，才能给出「对你有用」的分析。
分析是为了行动，不是为了「全面了解」。明确决策需求，AI 才能帮你找到行动方向。
💡 分析是为了行动，不是为了全面了解
两次 Prompt 的对比
❌ 第一次（没聚焦）
四个维度全分析
每个维度有结论
没有优先级排序
看完不知道先做什么
✅ 第二次（已聚焦）
锁定产品差评（38%→62%）
聚焦 Top 3 高频问题
定位到具体使用阶段
直接给行动建议
两次 Prompt 长度差不多。差的是那 10 分钟思考——先看数据、找异常、定方向，再问 AI
找到核心变量不是终点，而是一个好的起点。
先聚焦，再展开
围绕核心变量挖透
原因是什么？有哪些假设？怎么验证？——这一层想清楚了
↓
基于验证结果，扩展到关联因素
每一轮都有具体推进，不是一开始就让 AI 「全面分析」
↓
逐步拼出完整图景
而不是一开始就让 AI「全面分析」出一片模糊
练习：哪个问题「找到了重点」？
「我们产品的留存率这个月下降了，帮我分析一下原因。」
「我们产品7日留存率从68%降到了52%，下降集中在注册后第3-5天。帮我分析这个时间段用户最可能遇到什么问题。」
「帮我分析一下我们的用户数据，看看有什么改进机会。」
「我们高价值用户（LTV>500）的流失率是普通用户的2倍。帮我找出这类用户流失前72小时内最常见的行为模式。」
有焦点的问题：锁定了具体变量/时间窗口/用户群，AI 才能在正确的地方发力
核心路径
👀
先看数据
找到方向性变化 比数值变化更重要
🎯
找到焦点
锁定最值得 深挖的那个点
🤖
让 AI 发力
在正确的地方 做深度分析
AI 不缺处理能力你给它方向，它才能在正确的地方发力
– END –
本文旨在帮助读者提升与 AI 协作的效率，文中方法和框架仅供参考