完整指南：Gamma表格异常值分析提示词撰写（原因与建议）

在Gamma平台进行异常值分析时，采用三段式框架能显著提升效率。该结构要求AI不仅要客观识别数据偏离，还需结合业务逻辑推断潜在成因，并给出可直接执行的处理方案。如果仅简单要求“分析异常值”，输出结果往往流于表面，缺乏实际落地价值。因此，必须对输出结构与推理深度施加明确约束。

利用三段式结构锁定输出框架

首先，明确指定输出结构，要求AI严格按照【异常识别】、【原因推测】、【处理建议】三段组织内容。每个段落开头用中文括号加关键词作为小标题——Gamma虽然不识别Markdown或#号分段，但对这种强指令模式响应极佳。

其次，在原因推测段后追加一条强制条件：禁止使用“可能”、“也许”等模糊词汇；每个原因必须对应一个可验证的业务环节。例如，具体到“订单系统在15:00-15:03因批量重发导致重复计数”。此步骤旨在迫使AI摒弃空泛归因逻辑。

最后，处理建议段需按优先级排序。最高优先级应为立即止损动作，例如暂停某接口调用；次优先级是数据修正步骤，如编写一条SQL去重语句；最低优先级才是长期机制优化。缺少优先级排序的建议在Gamma中容易被平铺罗列，丧失操作指导性。

嵌入真实业务约束防止胡编乱造

方法一：将字段含义与校验规则写入提示词。例如，指定“支付金额”字段单位为分，理论取值范围100～9,999,999，负值或超过8位数均视为异常。Gamma一旦看到具体数值边界，便不会再用“可能是录入错误”这类万金油解释，而是会检查是否发生单位换算遗漏或溢出截断等具体问题。

方法二：绑定时间上下文。补充说明该表格数据截止至2024-06-12 23:59，且6月10日系统升级过风控策略——这样AI会自动排除“历史数据污染”等无效归因，聚焦于升级后的逻辑变更点。缺失这个时间锚点，Gamma常会将异常归结为“早期数据质量差”这种无法验证且毫无价值的结论。

方法三：指定数据来源链路。明确该表由MySQL订单库→Flink实时清洗→Gamma可视化看板三层链路生成，AI分析原因时便会自然沿链路反向排查，而非笼统地说“ETL过程出错”。必须强调，缺失链路描述会导致Gamma默认归因为最末端的Gamma渲染层问题——这一细节在实际使用中极易被忽略。

用对比样本引导归因方向

第一步：提供正常样本特征。在提示词末尾添加正常数据特征，例如：同一用户ID的日订单量≤5单，订单金额中位数为23,800（分），时间戳严格递增。

第二步：给出异常样本片段。用代码块格式贴出实际异常行，例如：
| user_id | order_amt | create_time |
|---------|-----------|-------------|
| U7721 | 120000000 | 2024-06-12 14:22:01 |
——Gamma对这种格式识别效果良好。

第三步：要求AI执行显式对比。明确定义：将异常行与正常样本的频次、金额、时间三个维度逐项比对，仅保留差异超过3倍标准差的维度作为归因依据。此步骤能有效消除主观臆断，使解释完全基于量化差距。

来源：互联网