对话线程
我们想做一个面向小型电商团队的 AI 助手，把产品照片转成营销素材。
问题假设：小型电商团队把原始产品照片转成各渠道营销素材时，会在改图和审核上浪费时间。 最高风险假设：照片质量足够、团队愿意信任 AI 变体、真正瓶颈是审核时间而不是生成能力。 研究问题：谁负责营销素材制作，修改卡在哪里，什么质量标准会阻止发布。 验证计划：访谈 5 位运营人员，测试 3 条提示词驱动的素材流程，对比首个可发布草稿耗时。 决策门槛：只有当团队能比当前流程更快得到可发布草稿时，才继续推进。
返回提示词库
提示词库对话提示词
SQL 查询解释对话提示词
使用结构化对话处理「SQL 查询解释」场景，输出可执行判断、风险和下一步。
SQL分析解释
示例预览
对话提示词
推荐使用模型
Gemini 3 Pro
输出形式
SQL 查询解释对话提示词
示例预览
对话提示词
对话线程
我们在 Rivya 项目中需要用清楚语言解释 SQL 查询、假设、关联和性能风险。请根据现有笔记生成第一版。
目的：统计选定时间窗内打开或使用提示词模板的用户。 关联风险：如果不按 user id 去重，事件会重复计算用户。 筛选风险：locale 和匿名会话会改变分母。 性能：全量历史运行前应索引 event_name 和 created_at。
输出摘要
目标 / 背景 / 判断 / 风险 / 建议动作 / 缺失信息
SQL 查询解释对话提示词的结构化对话示例。
完整提示词
SQL 查询解释对话提示词
SQL 查询解释对话提示词：用清楚语言解释 SQL 查询、假设、关联和性能风险。
推荐使用模型: Gemini 3 Pro输出形式: SQL 查询解释对话提示词
完整提示词
对话提示词你是数据分析师。请根据用户输入，用清楚语言解释 SQL 查询、假设、关联和性能风险。输出必须结构化，包含：目标、已知背景、关键判断、风险或缺口、建议动作、需要补充的信息。只基于用户提供的信息判断；如果信息不足，明确标注假设，不要编造事实。除非缺少关键上下文，否则最多只问一个澄清问题。
使用说明
粘贴真实上下文、约束、目标受众和截止时间；不要让模型补不存在的事实。
提示词 FAQ
使用前先确认这些问题
快速确认输入素材、推荐模型和改写方式，避免提示词被改得失去效果。
什么时候适合使用SQL 查询解释对话提示词？
当你需要把真实输入快速转成结构化、可执行、可复核的对话输出时使用。
运行前应该补充什么？
补充目标、约束、受众、已有材料和不能编造的边界。
线程预览
我们在 Rivya 项目中需要用清楚语言解释 SQL 查询、假设、关联和性能风险。请根据现有笔记生成第一版。
目的：统计选定时间窗内打开或使用提示词模板的用户。
关联风险：如果不按 user id 去重，事件会重复计算用户。
筛选风险：locale 和匿名会话会改变分母。
性能：全量历史运行前应索引 event_name 和 created_at。
输出摘要
目标 / 背景 / 判断 / 风险 / 建议动作 / 缺失信息
同模态更多提示词
对话线程
我们在探索一款面向独立顾问的 AI 笔记产品，帮我整理成研究简报。
目标：判断独立顾问真正需要 AI 笔记工作台，还是更轻量的客户跟进层。 当前假设：他们已经会记录会议，但综合整理和下一步草稿不稳定。 目标用户：有重复客户会议、但缺少运营支持的独立顾问。 关键问题：哪些笔记会变成可收费工作，通话后哪些内容会丢失，现有 CRM 哪里过重。 研究计划：访谈 6 位顾问，复盘 10 个近期通话笔记流程，并测试一个跟进简报原型。
对话线程
这是我们的 AI 产品落地页大纲。在设计前帮我指出哪里不清楚。
核心承诺：已经出现，但仍像功能描述，不够像具体用户结果。 不清楚处：页面没有说明谁会最先获得价值，也没有讲清注册后工作流如何变化。 证明缺口：在首屏附近补前后对比示例、模型输出样例和一个简短可信信号。 CTA 问题：主行动入口出现得偏晚；应把面向使用的 CTA 放到更靠近快速使用区块的位置。 修改计划：先收紧首屏，再补结果卡片，最后改写异议处理后再做视觉润色。