把 200 条客服咨询丢给 AI 归类，产出一张选题候选表

一句话结论

200 条客服咨询分批发给豆包打标签，再用 Kimi 跨批聚类，按频次和内容空白打分排序，就能落成一张选题候选表。

这篇解决什么问题

客服后台堆着几百条咨询，翻的时候觉得满屏都是选题，真要动手又不知道从哪条开始。这篇写的就是把一堆散乱对话，变成一张能直接排期的表。

适用：手上有一份能导出的咨询记录，问题集中在产品使用、付费、售后这几类。不适用：咨询量不到三十条，或者对话里大量是纯情绪宣泄、没有具体诉求——那种情况人工看反而更快。

开始前要准备什么

• 豆包账号，日常对话免费，这个量级够用
• Kimi 账号，免费额度能覆盖，单次别超输入上限
• 一份能导出的咨询记录，Excel 或 CSV 都行，有「用户问题」字段就够
• 一个在线表格，用来拼装各批次结果
• 预计耗时：我这次不到一小时，大半在等生成

具体怎么做

第 1 步 · 把导出的表洗干净

后台导出的东西通常很脏：夹杂系统消息、同一句话连发三遍、还带着订单号和手机号。先让模型去噪脱敏，后面才敢整段贴给别的工具。

你是一名运营助理。下面是一段从客服后台导出的咨询记录，格式很乱，含时间、昵称、订单号等无关信息。
请帮我做三件事：
1. 只保留用户真正问的那句话，去掉寒暄、表情、以及重复发送的同一句话；
2. 把手机号、订单号、真实姓名、地址分别替换成【手机号】【订单号】【姓名】【地址】；
3. 同一用户在同一分钟内连发的多条，合并成一条。
按下面的格式输出，不要加任何解释：
序号 | 脱敏后的问题 | 字符数
如果某条实在看不懂在问什么，单独列在最后，标成「待人工看」。
记录如下：
【把后台导出的原始内容粘贴在这里】

预期产出：一张只有「序号 + 脱敏问题」两列的表。条数会明显少于原始导出，被合并掉的基本是重复发送和系统通知。

第 2 步 · 让豆包逐条打标签

这一步的关键是分批。我试过一口气贴两百条，前二十条还认真写摘要，往后就退化成一两个字的敷衍。

每批二十到三十条比较稳，批与批之间用同一份提示词，标签词表先定死。

你是客服质检员。下面有 25 条用户咨询，请逐条打标签。
标签只能从下面这张词表里选，不要自创新的说法：
– 问题类型：账号与登录 / 付费与退款 / 功能不会用 / 效果没达到 / 数据与同步 / 售后与物流 / 其他
– 用户身份：新用户 / 老用户 / 疑似企业用户 / 无法判断
– 情绪：平静 / 着急 / 不满
– 帮助中心是否已有答案：有 / 没有 / 不确定
输出一张 Markdown 表格，列依次为：
序号 | 问题摘要（15 字以内） | 问题类型 | 用户身份 | 情绪 | 帮助中心是否有答案 | 用户原话关键词（2 到 3 个）
只给表，不要写分析、建议或者开场白。
咨询列表：
1. ……
2. ……

预期产出：每批一张带标签的表格，五六批拼起来就是完整的全量数据。中途如果发现某类问题反复出现但词表里没有，先记下来，别急着改表。

第 3 步 · 用 Kimi 把标签聚成需求簇

标签是碎片，「功能不会用」这种标签底下可能混着三种完全不同的诉求。这一步要做的就是把逐条记录合并成需求簇。

换 Kimi 是因为它一次能吃的上下文更长，五六批表格拼在一起不容易丢中间那段。

下面是若干批客服咨询的标签结果，请把它们合并成需求簇。
要求：
1. 合并标准：用户真正想解决的那件事相同，就算同一簇；提问措辞不同不算不同簇。
2. 每簇给一个 8 字以内的名字，配一句 30 字以内的说明。
3. 每簇列出条数、涉及的主要问题类型，以及三条最有代表性的用户原话。
4. 簇的数量控制在 8 到 12 个，太散的合并，太笼统的拆开。
5. 最后单独列一类「没法归簇」的，说明为什么归不进去。
输出用表格：
簇名 | 条数 | 一句话说明 | 代表原话 | 主要标签
数据如下：
【粘贴第 2 步的各批表格】

预期产出：一张 8 到 12 行的簇表，每行有簇名、条数和三条代表原话。代表原话别删，后面写标题时全靠它。

第 4 步 · 给需求簇打分排序

光按条数排会跑偏。退款流程这类问题条数最多，但它本质是个操作路径问题，写十篇图文也不如把那个按钮改大一点。

我加了两列：能不能靠一篇内容讲清楚，以及我们过去讲没讲过。

你是内容运营负责人。下面是整理出的需求簇，请判断哪些值得做成内容选题。
对每个簇按三个维度打 1 到 5 分：
– 频次分：条数越多分越高；
– 可解答度分：能靠一篇图文讲清楚的给高分，必须一对一处理的给低分；
– 空白分：我们现有内容完全没讲过的给 5 分，已经讲过的给 1 到 2 分。
总分 = 频次 × 0.4 + 可解答度 × 0.35 + 空白 × 0.25，按总分从高到低排序。
输出表格：
簇名 | 条数 | 频次分 | 可解答度分 | 空白分 | 总分 | 建议（做 / 暂缓 / 不做，附 10 字以内理由）
只输出表格，不要额外说明。
需求簇数据：
【粘贴第 3 步的簇表】

预期产出：一张排好序的簇表，总分高的在最前，每条后面带着「做 / 暂缓 / 不做」。空白分要自己复核一遍，模型不知道你过去发过什么。

第 5 步 · 生成选题候选表

到这一步才写标题。让模型为每个高分簇出两条，一条解决具体问题，一条讲清背后原因，方便排期时交替着发。

根据上一步的排序结果，为总分前 8 的簇各写 2 条选题，做成一张候选表。
每条选题要满足：
– 标题 18 到 28 字，包含用户真的会去搜的具体词；
– 必须能对上这个簇里出现过的真实提问，不要凭空想；
– 两条要有区分，一条偏解决具体问题，一条偏讲清背后原因。
表格列：
选题标题 | 对应需求簇 | 支撑条数 | 目标读者 | 内容形式（图文 / 短视频 / FAQ 条目） | 优先级（高 / 中 / 低） | 备注
备注一列请写实话：需要补什么素材、缺什么案例，就照实写缺。
排序结果如下：
【粘贴第 4 步的表格】

预期产出：一张十几行的选题候选表。备注列里写着「缺真实案例」的那些，先别排期。

实测记录

最容易错的 3 个地方

1. 一次全塞进去。模型后段明显敷衍，改成每批 25 条，宁可多跑几轮。
2. 不给标签词表。同一类问题叫法五花八门，聚类全乱，先跑 20 条把词表定下来。
3. 只按频次排序。高频多是操作类问题，补上可解答度和空白分才看得出真需求。

可复用的东西

五段提示词里都埋了约束：标签只从词表里选、没有就写没有、只输出表格。这些句子看着啰嗦，删掉之后输出就开始编。建议整段存进一个文档，下次换数据直接套。

表格的列也别随手改。列固定住，几批数据横向对比才有意义，改一次就要重新对齐一遍。

这套流程真正省下的不只是时间，它把「我觉得用户关心什么」换成了带条数的证据，拿到会上能说清楚背后有多少人在问。有空把上个月的记录导出来跑一遍，跑完你大概会删掉几个原本很笃定的选题。你手上那批咨询，被问得最多的是哪一类？

如果你也经常要做这件事，欢迎在评论区说说你的卡点和做法；也可以留言告诉我，你想看哪个岗位的哪件活怎么用 AI 拆。

admin 普通

收藏 海报 链接