这是一个虚构但很典型的案例：大刘是一位负责在线咨询、售后处理和投诉跟进的客服专员，最近手头在忙“处理在线咨询约 600 条”，同时还要准备“更新退换货政策话术”。这次大刘需要整理一份给客服主管的客服话术手册，决定试试 AI 清洗表格数据。

背景

对大刘来说，同类问题反复回答，遇到情绪激动的客户还要斟酌措辞，知识库更新也跟不上。偏偏这次还遇到一个变数：大促期间咨询量预计翻倍，排班需要提前调整。客服话术手册需要尽快交给客服主管，时间并不宽裕。

第一次尝试：问题出在哪

大刘一开始只写了一句话：

帮我写一份关于“大促期间的售后高峰应对”的客服话术手册。

结果 AI 给出的内容四平八稳却用不上。复盘下来，主要有两个问题：

  • 直接在原始数据上清洗。
  • 把完整的敏感数据交给 AI。

改进后的提示词

大刘按照 AI 清洗表格的思路重写了提示词，核心是让 AI 检查数据：

我有一份工单记录，字段为：问题类型、创建日期、处理时长分钟、处理状态。下面是其中 10 行样例（已脱敏）：
[粘贴样例]
请：
1. 找出样例中的数据质量问题（格式不一致、空值、疑似重复、异常值）；
2. 为每类问题提出清洗规则，先不要执行；
3. 给出在表格软件中实现这些规则的公式或操作步骤；
4. 说明哪些情况需要人工判断，不能自动处理。

结果（示意）

下面的效果为虚构演示，用来说明这类改进通常带来的变化：

示例（虚构）：一份客户名单中，“上海”“上海市”“SH”混用，日期有“2026/9/1”和“9 月 1 日”两种写法。AI 提出统一规则并生成替换步骤，清洗后城市字段从 14 种写法减少到 6 个规范值。

拿到结果后，大刘没有直接转发，而是先检查关键事实和数字，再补上 AI 不知道的背景。

复盘：这次用到的方法

  • 逐条确认清洗规则，比如“北京市”和“北京”统一为“北京”
  • 让 AI 生成公式、脚本，或在代码执行工具中执行清洗。
  • 对比清洗前后的行数和关键统计，确认没有误删。
  • 先备份，所有操作在副本上进行。

之后大刘发现，同样的方法也适用于另一类场景：合并多张表之前需要统一字段。

复盘时大刘还想到一个问题：缺失值应该怎么补？答案是：取决于用途，有时留空比随意填补更好，补值规则要和数据使用者确认。

给客服的提醒

把公司真实的售后政策贴给 AI，要求它只依据政策回答，不要自行承诺。涉及退款金额、赔偿和责任认定的回复，必须按公司规则人工确认后再发出。另外，对话里不要出现顾客姓名、电话、地址和订单号。

一个额外的小技巧：大文件用支持代码执行的工具处理，比在对话中粘贴更可靠。

换成你的场景

把案例中的客服话术手册换成你手头的材料，把客服主管换成你的读者，提示词结构基本不用改。真正需要花心思的是背景描述：写得越贴近实际，结果越可用。

相关阅读