按 Quick 组件进行提示工程：模式与陷阱

英文原标题：Prompt engineering by Quick component: Patterns and pitfalls

本文为英文原文的机器翻译摘要，原文见：AWS Machine Learning Blog ↗

• 文章按 Amazon Quick 各组件分别讲解提示工程：Quick Research、Quick Flows、Quick Sight 对提示的解读方式不同，需针对性设计。
• Quick Research 的关键是明确目标、受众与重点领域，并自行拆解子问题、限定数据源（如 Quick Index、200+ 新闻源及 S&P Global、FactSet、IDC、US Patent、PubMed 等），再审核研究计划。
• Quick Flows 要求提示具体说明 what、when、where，复杂逻辑用编号步骤表达，并可通过对话式迭代微调流程，而非重写整个提示。
• Quick Sight 的查询应包含业务问题、指标、维度、时间范围、可视化类型与附加分析；缺失任一要素会迫使系统猜测，产出无用图表。
• 文章给出时间序列、对比、关系、分布、地理等分析模式示例，并建议围绕业务结果而非数据机制提问，再通过对话式追问优化图表。

关键数据

• Quick Research 可接入 200+ 家可信新闻机构，以及 S&P Global、FactSet、IDC、US Patent data、PubMed 等优质数据集。
• Quick Flows 示例中，金额超过 $500 的报销单会被路由到财务团队 Slack 频道审批。
• Quick Sight 对比分析示例中，低于 $50K 的行业垂直平均交易规模会被高亮。
• Quick Sight 分布示例中，超过 20% 项目落入的区间会被特别标注。
• Quick Sight 地理示例中，贡献超过 10% 总收入的区域会添加数据标签。

引语

• Create a report from our sales data.
• Every Monday at 8 AM

为什么值得看：文章按组件拆解 Amazon Quick 的提示模式与常见陷阱，帮助读者把泛泛输出转化为精确、可执行的结果。