做社交电商的团队大多遇到过同一个困境：客服人力跟不上流量波动，用户咨询高峰期响应慢、话术不统一，转化机会白白流失。接入大模型是眼下性价比最高的解法之一，而石墨AI提供了便捷的文档接口能力，让AI能够直接读取你整理好的接口文档和知识内容。问题的关键在于，提示词怎么写，才能让AI像一个懂社交电商的老运营，而不是一个只会复述商品参数的机器人。这篇文章就把整个搭建思路拆开讲清楚。
一、社交电商场景下AI助手的需求拆解
社交电商和传统货架电商的最大区别在于，用户不是带着明确购买目的来搜索的，而是被内容、社群、好友分享触发的冲动型消费。这就决定了AI助手不能只会回答“这个多少钱”“什么时候发货”，它需要承担三层角色：第一层是导购，能根据用户的模糊需求推荐合适商品；第二层是社群运营，能在群聊里接话、营造氛围、发起互动；第三层是售后顾问，处理退换、物流查询等标准化问题，释放人工客服精力。
围绕这三层角色，提示词的设计目标就清晰了：让AI理解社交语境（比如用户发一句“这个减肥茶真的有用吗”，背后是信任焦虑而不是参数咨询）、掌握商品知识（成分、功效、价格、活动力度）、守住合规底线（医疗功效宣传、绝对化用语这些红线绝不能碰）。在写提示词之前，建议先把这三层需求整理成一份结构化文档，这份文档后续会通过石墨AI的接口注入到上下文中。
很多团队直接套用网上的通用客服提示词，结果AI回复干巴巴的，用户聊两句就流失了。问题不在模型能力，而在于提示词没有针对社交场景做特化设计。下面我们从提示词结构开始逐步展开。
二、核心提示词模板的设计思路与完整示例
一份高质量的社交电商提示词，通常包含五个模块：角色定义、知识边界、话术风格、交互流程和禁止事项。角色定义决定AI以什么身份出现，建议设定为一个亲切的朋友型导购，而不是官方客服，因为社交电商的用户更信任“人”而不是“机构”。知识边界则明确AI只能基于你提供的商品文档回答，避免大模型自由发挥编造信息，这一点在涉及功效宣传时尤其重要。
话术风格模块是最能体现社交电商特色的部分，要明确要求AI使用口语化表达、适度使用语气词、回复长度控制在三句话以内，并且每次回复尽量附带一个引导动作，比如追问需求、发起拼团邀请或发送优惠券。交互流程模块则规定AI处理不同类型问题的优先级和路径，比如识别到售后问题先安抚情绪再给方案。下面给出一份可以直接套用的完整模板：
# 角色设定 你是「小甜」，某健康食品品牌的私域导购助手，风格亲切自然， 像闺蜜一样和用户聊天，称呼用户为「宝子」或直接用昵称。 # 知识边界 你只能基于【商品知识库】中提供的信息介绍商品，包括成分、 规格、价格、适用人群和当前活动。如果用户问的内容知识库 中没有，如实说明并引导用户联系人工客服，禁止编造信息。 # 话术风格 1. 全程口语化，禁止使用「亲」「尊敬的用户」等官方客服用语 2. 单次回复不超过3句话，总字数控制在100字以内 3. 每次回复结尾附带一个引导：追问需求、推荐商品或发起拼团 # 交互流程 - 用户表达模糊需求时，先问1个澄清问题再推荐 - 用户咨询功效相关问题时，只转述知识库原文，不额外延伸 - 用户有售后问题时，先共情安抚，再给出处理路径 # 禁止事项 - 禁止使用「最有效」「根治」「百分百」等绝对化用语 - 禁止做任何医疗诊断或用药建议 - 禁止主动透露内部价格体系和供应商信息
这份模板的价值在于结构化，每个模块职责单一，后续调整时只需要改对应模块，不会牵一发动全身。实际使用中建议先跑一到两周，收集真实的对话记录，把AI回答不好的case归类，再针对性地补充规则，这是一个持续迭代的过程。
三、通过石墨AI接口接入文档知识库
提示词解决的是行为框架问题，商品知识则需要通过接口注入。石墨AI的接口能力支持将在线文档内容作为上下文传给模型，这样商品信息更新时只需要改文档，不需要重新调整代码，运营人员也能自主维护知识库。接入时的核心是组织好请求参数，下面是一个典型的调用示例：
import requests
# 石墨AI接口调用示例（参数以实际文档为准）
api_url = "https://api.shimo.im/v1/ai/chat"
headers = {
"Authorization": "Bearer YOUR_ACCESS_TOKEN",
"Content-Type": "application/json"
}
payload = {
# 文档ID：存放商品知识库的石墨文档
"doc_id": "kQDD9W3Qw0mMxxxxx",
# 系统提示词：即上文设计的完整模板
"system_prompt": SYSTEM_PROMPT,
# 用户消息
"messages": [
{"role": "user", "content": "最近老是熬夜，有没有救急的东西推荐"}
],
# 控制回复风格的相关参数
"temperature": 0.7,
"max_tokens": 300
}
resp = requests.post(api_url, json=payload, headers=headers)
print(resp.json())这里有几个细节需要注意。第一，文档内容要预先做好结构化处理，建议按商品维度分章节，每个商品统一字段格式（名称、卖点、适用人群、活动价、FAQ），文档结构越清晰，模型检索的准确率越高。第二，temperature参数建议设置在0.6到0.8之间，太低会让回复显得机械，太高则容易出现不守规矩的发挥。第三，system_prompt和文档内容的分工要明确：提示词管行为，文档管事实，不要把商品价格硬编码进提示词，否则每次调价都要重新发布。
另外，如果商品数量超过几十个，单文档全量注入会占用大量token并降低召回精度，这时候可以在调用前加一层检索逻辑，先用关键词或向量匹配找到最相关的两三个商品章节，只把这部分内容拼进上下文。这属于典型的RAG思路，能显著降低成本并提升回答的针对性。
四、常见踩坑点与优化建议
第一个高频坑是提示词过长。有些团队把上百条规则全部塞进提示词，结果模型顾此失彼，重要规则反而执行不到位。经验法则是核心规则控制在十五条以内，把更细的规则下沉到知识库文档或后置校验逻辑里。第二个坑是缺少兜底机制，AI遇到无法回答的问题时容易胡编，务必在提示词里写明兜底话术，并在代码层面对特定关键词做人工转接。
第三个坑是忽略了合规校验。社交电商类目里保健品、美妆的功效宣传是监管重点，除了提示词约束外，建议在输出层加一道敏感词过滤，双重保险比单靠模型自觉可靠得多。第四个坑是上线后不做数据分析，建议定期统计AI对话的转化率、转人工率和用户满意度，把低转化对话拿出来复盘，持续打磨话术。
最后给一个实用建议：搭建初期不要追求AI全自动化，可以先采用人机协作模式，AI负责首轮接待和标准问题解答，人工客服介入高意向用户的深度沟通。等AI的对话质量稳定之后，再逐步扩大它的职责范围。这样既能控制风险，也能让团队对AI建立信任，整个落地过程会顺畅很多。