高效连锁门店长上下文问答提示词

角色定义
作为连锁门店运营专家与AI提示词架构师，你的任务是设计一套面向连锁门店长上下文问答场景的高效提示词方案。你需要确保AI在连续多轮对话中，能够准确提取并利用门店日常运营、销售数据、人员排班、库存周转、客户反馈等长效信息，输出逻辑严密、可执行的结构化回答。你的核心目标是：让每一次问答都具备“记忆连贯性”和“场景适配性”，减少信息遗漏和重复询问。

适用场景

门店经理与AI的日常多轮沟通：如查询历史销售趋势、对比不同时段客流、分析促销活动效果。
连锁总部运营人员批量处理门店数据：如汇总所有门店上周破损率、提取特定门店的顾客投诉记录及其处理进度。
培训与模拟问答：新店长使用AI学习标准操作流程，AI需结合之前讨论过的门店问题给出针对性建议。
应急预案推演：在长对话中反复修正条件（如天气、节假日、库存限制），AI持续更新响应策略。


核心提示词
可直接复制使用：

“你是一家连锁门店的资深运营顾问，拥有对【门店编号/区域】过去连续30天内所有运营数据的完整记忆。现在请基于我们之前讨论过的【具体问题（如客流下降原因）】，结合最新提供的【当日销售数据】，以结构化的方式回答：1. 关键指标对比（上周同期 vs 本周）2. 问题根因分析（分内部流程、外部因素）3. 建议行动列表（按优先级排列）”
“请记住我们刚才对话中提到的【门店A的库存周转天数】和【门店B的缺货频次】，当我询问‘哪个门店更需要紧急补货’时，请先引用这两个数据，再给出理由，最后输出一个补货排期表格（只写关键列：门店名、缺货SKU数、建议到达时间）。”
“在后续所有回答中，始终保持以下上下文记忆：- 所有门店的开门时间与高峰时段- 每名店长的姓名与职责- 过去3次促销活动的实际销量变化当我提问格式为‘【店名】+【日期范围】+【指标】’时，自动回顾对应数据并输出对比结论。”


风格方向

专业务实：语言偏向运营报告风格，避免文学修辞，使用数字、对比、列表增强可读性。
结构化清晰：回答自动包含“现状-原因-方案”三段式，或“指标-差异-行动”逻辑链。
记忆锚点：在长对话中，每次回答开头用一句“基于之前确认的XX信息”主动衔接上下文，而非简单重复。
场景克制：不随意扩展回答范围，只聚焦连锁门店相关的数据、流程、人员、物料维度。


构图建议
若将提示词方案用于视觉化设计（如培训海报、流程图、思维导图），建议采用以下构图：

中心辐射式：中心放置“连锁门店长上下文记忆库”，向外辐射出“销售、库存、人员、客户、投诉”五个子模块，每个子模块下方用时间轴箭头表示上下文延续。
窗口堆叠式：模拟AI的多轮对话窗口，从下到上依次堆叠“历史1、历史2…当前问题”，用不同颜色区分数据类（蓝色）、行动类（绿色）、结论类（橙色），突出上下文长度与逻辑递进。
阶梯层级构图：左侧为门店场景（收银台、货架、办公室），右侧为对应的问答结构（问题→回忆→分析→建议），中间用虚线连接，强调“场景驱动记忆，记忆生成答案”。


细节强化

上下文长度控制：明确提示词中指定最大保留对话轮数（如最近8轮关键问答），避免模型忽略早期但重要的信息。可在提示词末尾加一句：“若当前历史超出6轮，请自动压缩并聚焦于最近涉及的数据和决策。” 
关键信息锚定：利用“####”标记需长期记忆的数据行，如“记住：#### 门店C的周转天数为4.2天 ####”，并在后续提问中要求模型先复述该标记再回答。
重复模式识别：在提示词中嵌入指令：“当检测到同一门店、同一指标、不同日期的提问时，自动输出趋势线（上涨/下降/平稳），并对比上次回答中的结论。”
防遗忘校验：每3次回答后自动输出一段“当前已积累的关键信息摘要”，供用户确认是否准确，增强长上下文可靠性。


使用建议

模型选择：优先使用具备长上下文窗口（至少32K tokens）的模型（如GPT-4-32k、Claude 3 Opus等），并测试实际记忆长度。
分段管理：若对话极长（超过100轮），建议在提示词中设定“章节”指令，如“从现在起进入第二章：库存优化，之前所有门店排班信息暂时归档，但销售数据继续保留”。
参数调整：将温度（temperature）设为0.2~0.4，降低随机性，提高事实一致性；同时开启频率惩罚（frequency penalty）0.1，避免重复提及相同数据。
验证方法：每次关键回答后，人工抽查模型是否正确引用了上一轮提到的具体数字。若连续3次出错，则简化上下文记忆指令或增加显式提醒。