不少团队用大模型生成NPS问卷时，会把Prompt写成一句“帮我设计一份NPS问卷”，然后直接拿去用。结果通常是：只有一道0到10分的推荐意愿题，加上一句“请说明原因”，既没有分数分组追问，也没有满意度维度的结构化输出。这类问卷回收后，贬损者的具体痛点被淹没在大段自由文本里，被动者的犹豫原因无法定位，推荐者的正向证据也缺少提炼。问题的根源不在模型能力，而在提示词没有把NPS的方法论、题型约束和分析目标说清楚。下面拆解一套专门用于NPS和满意度问卷设计的Prompt结构，并给出可直接复用的模板。
一、先明确NPS问卷的底层结构，Prompt才不会跑偏
NPS的核心只有一个标准问题：你有多大可能把我们推荐给朋友或同事？回答采用0到10分制。按照经典分组，9到10分属于推荐者，7到8分是被动者，0到6分是贬损者。净推荐值等于推荐者占比减去贬损者占比。这个公式不复杂，但把这个问题交给大模型生成时，如果Prompt不写清楚分数区间含义，模型很可能把8分也归入推荐者，或者把6分当成及格线，导致后续跳转逻辑全部错位。
真正有价值的NPS问卷，不是一道题就结束，而是围绕三个群体设计不同的追问。贬损者需要回答“哪里让你不满意”，被动者需要回答“什么改变会让你更愿意推荐”，推荐者需要回答“哪个点最值得分享”。这些追问题目如果不写入Prompt，大模型默认只会生成一句笼统的开放题。生成式模型通常倾向于给出安全、通用的措辞，而不是严格遵循NPS分群逻辑。因此Prompt中必须显式声明分群规则和每个分群的追问目标。
满意度问卷部分也常被忽略。NPS衡量的是整体推荐意愿，但体验改进需要更细的维度，比如功能可用性、服务响应、价格感知、交互流畅度。好的Prompt会要求模型在NPS题之后补充3到5道分维度满意度题，并统一量表格式。这样后续分析时，既能看净推荐值的变化，也能识别是哪个维度拖累了推荐意愿。缺少这部分设计，问卷就容易变成只有态度、没有诊断工具的过场。
二、设计NPS Prompt的五个关键模块
要让大模型稳定输出可用的NPS问卷，至少需要在Prompt里写清五个模块：角色背景、任务目标、题型与量表、追问逻辑、输出格式。角色背景不仅是一句“你是研究员”，还要说明研究目标和对象，这样模型生成的题目措辞才会贴合用户场景。任务目标要具体到同时测量净推荐值、分群满意度和改进方向，而不是笼统的“设计问卷”。
题型与量表是关键约束。NPS必须使用0到10分制，且每个分数锚点都要写出来，例如0表示完全不可能推荐、10表示极有可能推荐。满意度题可以使用五级李克特量表，从非常不满意到非常满意。追问逻辑则要按分数区间拆分，不能只写“追问原因”。输出格式要求模型按编号输出题目、选项和跳转说明，这样拿到结果后可以直接录入问卷系统。
下面是一个可直接复用的中文Prompt模板，使用时替换花括号中的产品信息即可。
你是一位拥有10年用户体验研究经验的研究员，擅长设计NPS和满意度问卷。请根据以下产品背景设计一份中文NPS问卷。
产品背景：{产品名称}，{目标用户}，{使用场景}
问卷目标：同时测量净推荐值、分群满意度和可行动改进点。
请按以下结构输出：
1. 一道NPS核心题目：采用0到10分制，10分表示极有可能推荐，0分表示完全不可能推荐。题目措辞需自然口语化。
2. 根据分数自动跳转的追问：
- 0到6分：追问用户不满意的具体原因，至少覆盖功能、性能、服务、价格四个维度。
- 7到8分：追问用户认为哪些方面还不够好，哪些改进能提升推荐意愿。
- 9到10分：追问用户最喜欢哪个特性或体验，为什么愿意推荐。
3. 附加三道满意度题目：分别测量整体满意度、核心功能满意度、服务响应满意度，使用五级李克特量表。
4. 每道开放题后给出两个辅助追问，用于挖掘具体场景。
5. 最后输出一段给被访者的填写说明，说明匿名性和预计耗时。
输出格式：使用清晰的题目编号，每题包含题干、选项或量表说明、追问逻辑。不要输出与问卷无关的解释。
这个模板最容易被忽视的是第四点：辅助追问。大模型生成的开放题往往只有“请说明原因”，但用户回答时容易只写一个形容词，比如“不好用”“太贵”。辅助追问如“当时在哪个操作步骤遇到了问题”或“和哪款产品相比觉得贵”能显著提高开放题的信息密度。Prompt中可以进一步要求辅助追问必须指向具体场景、频率或对比对象。
三、从满意度维度到结构化分析结果
问卷设计只是第一步，回收后的开放题文本如何变成可分析的结构化数据，同样可以用Prompt完成。如果直接把几百条回答丢给大模型，让它“总结一下”，得到的结果通常是一段概括性文字，无法按维度计数，也无法跟踪每个问题的严重程度。更好的做法是先定义维度标签，再让模型逐条编码。
常见的NPS开放题维度可以分成功能问题、服务问题、价格问题、体验问题四类。功能问题包括核心功能缺失、难用、性能慢、闪退等；服务问题包括客服响应慢、售后流程复杂、服务态度差；价格问题包括定价过高、性价比低、收费不透明；体验问题包括界面混乱、操作路径长、视觉负担重。Prompt需要同时给出每个维度的定义和示例边界，减少模型在分类时的随意性。
下面是一个用于开放题编码的Prompt，可以要求输出JSON数组，方便后续导入分析工具。
你是一名问卷分析助手。以下是用户填答的NPS开放题文本，请按维度进行编码。
维度定义：
功能问题：与核心功能缺失、难用、稳定性和性能相关。
服务问题：与客服响应、售后流程、服务态度相关。
价格问题：与价格感知、性价比、收费透明度相关。
体验问题：与界面、交互、流程设计相关。
请返回JSON数组，每个元素包含：
{
"quote": "用户原话",
"dimension": "功能问题、服务问题、价格问题、体验问题中的一项",
"sentiment": "negative、neutral、positive中的一项",
"insight": "可执行的一句话改进建议"
}
输出JSON时要注意，模型偶尔会把维度名写成近义词，比如把价格问题写成费用问题。可以在Prompt里强调必须使用给定的维度名称，不要改写。如果希望进一步区分优先级，可以增加一个severity字段，用1到5表示严重程度，1为轻微、5为严重影响使用。这样后续做交叉分析时，能一眼看出哪些问题最值得投入资源。
四、失败Prompt与优化后Prompt的对比
失败Prompt通常只有一句：“帮我设计一份NPS满意度问卷”。这样的指令缺少量表说明、分群逻辑和输出结构，模型只能凭通用知识生成一份外观像问卷、实际难以执行的内容。例如它可能把满意度题写成“满意、一般、不满意”三档，与NPS的0到10分制混在一起；也可能对0到6分的贬损者只追问“请说明原因”，没有追问具体业务环节。更常见的错误是输出大量解释性文字，比如先讲NPS的定义，再给出问题，真正可用的题目被淹没。
优化后的Prompt会把约束前置。例如下面这个失败例子：
帮我设计一份NPS满意度问卷。
改成以下写法后，输出质量会明显提升：
请设计一份针对在线协作工具的NPS问卷。核心题必须使用0到10分制，0分表示完全不可能推荐，10分表示极有可能推荐。根据得分分三组追问：0到6分追问不满意原因，并覆盖性能、功能、价格、服务四个方向；7到8分追问还需要改进什么；9到10分追问最值得推荐的点。另加三道满意度题，分别测量整体满意度、协作流畅度、客服支持，使用五级量表。最后输出填写说明，控制在40字以内。
两者的区别不是字数，而是是否给出了可验证的约束。优化后的Prompt每一句都对应一个可检查的输出项：分数制是否明确、三组追问是否齐全、满意度维度是否指定、填写说明是否限制长度。这样即使换一个模型或换一次采样，问卷结构也不会跑偏。实际使用时还可以在末尾加一句“输出前检查：是否包含三组追问，是否所有量表都有文字锚点”，让模型进行自我校核。
设计大模型Prompt做NPS和满意度问卷，本质是把研究设计翻译成模型能执行的约束。评分锚定、分群追问、维度映射和输出格式四件事缺一不可。与其反复试不同措辞，不如直接使用结构化模板，把核心题、分群逻辑、附加满意度题和分析编码规则固定下来。这样得到的问卷不仅能收集净推荐值，还能把贬损者的痛点、被动者的犹豫、推荐者的亮点沉淀成可分析数据。