AI离职分析提示词怎么写：从需求到可复用模板的实操步骤

AI离职分析提示词的核心作用，是把“帮我分析一下离职原因”这类模糊指令，变成结构清晰、可重复使用、输出可核验的分析任务。
如果你手上只有离职面谈记录、问卷或考勤数据，想让AI给出有参考价值的归因和行动建议，下面这套流程可以直接照做。

先想清楚：你要的是归因、预警还是对策

离职分析至少有三种目标，提示词写法完全不同：

• 归因分析：从已有离职数据中归纳主要原因，适合已有面谈记录或问卷的场景。
• 风险预警：根据在岗员工的特征数据判断谁可能离职，适合有历史标签数据的场景。
• 对策生成：针对已确认的原因，让AI给出可执行的改进建议。

零基础用户最容易犯的错误是把三个目标塞进一个提示词，结果输出又长又空。建议一次只做一个目标，分轮对话完成。

准备数据：先脱敏，再喂给AI

AI分析的质量上限由输入数据决定。
动手写提示词前，先把数据整理成表格或结构化文本，并做三件事：

1. 删除或替换姓名、工号、身份证号、手机号，用“员工A”“部门X”代替。
2. 统一字段名，例如：离职类型、司龄、部门、绩效等级、离职原因（面谈记录）。
3. 控制样本量，单次分析建议不超过50条记录，避免超出上下文窗口导致信息丢失。

如果使用在线AI工具，注意不要把包含个人敏感信息的原始表格直接上传，先脱敏再分析。

可复用的提示词骨架

下面是一个归因分析场景的提示词模板，复制后按实际数据替换方括号内容即可：

你是一名人力资源数据分析助手。请基于以下离职记录，归纳主要离职原因。

数据说明：
- 共[N]条离职记录，字段包括：司龄、部门、绩效等级、离职类型（主动/被动）、面谈摘要。
- 数据已脱敏，员工以编号标识。

分析要求：
1. 按“原因类别”归纳，类别不超过6个，例如：薪酬、晋升、管理关系、工作强度、通勤、个人发展。
2. 每个类别给出：涉及人数、占比、典型描述（引用原文不超过20字）。
3. 标注哪些结论证据充分，哪些只是推测。
4. 最后给出3条可落地的改进建议，每条注明适用部门。

输出格式：先给汇总表，再给建议列表。不要编造数据中不存在的信息。

这个骨架的关键点在于：限定原因类别数量、要求标注证据强度、禁止编造。
少了这三条，AI很容易输出“员工可能因为各种原因离职”这类无效结论。

验证输出：三个检查动作

拿到AI输出后不要直接使用，先做验证：

• 回查原文：随机抽2到3条“典型描述”，确认能在原始记录中找到对应内容，防止AI改写或虚构。
• 核对占比：让AI列出计算过程，或用表格工具自行汇总人数，确认百分比与总数一致。
• 区分事实与推测：检查输出中是否把“面谈中提到”和“可能是”混在一起，推测性结论需要你人工判断后再用。

如果输出格式混乱，可以在提示词末尾追加一句：请严格按“汇总表→建议列表”两段输出，不要添加开场白和总结语。

常见坑与调整方法

• 输出太笼统：原因是提示词没限定类别和数量。加上“原因类别不超过6个”并给出示例类别。
• AI自行编造原因：在提示词中明确“只能基于提供的数据归纳，数据未提及的原因标注为‘未覆盖’”。
• 不同批次结果不可比：固定提示词模板和原因类别，每次只替换数据部分，保证口径一致。
• 涉及敏感决策：AI输出只作为参考，辞退、调岗等决定需结合制度与人工判断，不要直接把AI结论作为处理依据。

结尾

AI离职分析提示词的价值不在“一次问出完美答案”，而在于把分析口径固定下来，让每次分析可比较、可追溯。
建议你先用10到20条历史记录跑通模板，确认输出格式和证据标注符合要求后，再扩大到全量数据。
遇到结果偏差时，优先检查输入数据字段是否统一、提示词是否限定了类别和证据要求，而不是反复更换AI工具。