0基础学习AI大模型之：基于 OpenAI 的销售数据分析与提示工程实践一、项目背景在 AIGC（生成式人工智能）时代

一、项目背景

在 AIGC（生成式人工智能）时代，大语言模型（LLM）如 GPT 系列不仅能生成文本、图片，还能辅助我们完成结构化数据分析任务。本项目通过 Node.js 调用 OpenAI API，对一段销售数据进行自然语言查询，实现“用对话方式获取业务洞察”——无需写 SQL 或 Excel 公式，只需提问，AI 自动分析并生成报告。

二、技术栈与环境搭建

✅ 核心依赖

openai：官方 SDK，用于调用 GPT 模型。
dotenv：加载 .env 文件中的环境变量，安全存储 API 密钥。

🚀 初始化项目（推荐使用 pnpm）

bash
编辑
npm init -y
pnpm add dotenv openai

💡 为什么用 pnpm？

更快安装速度

硬链接节省磁盘空间

避免 node_modules 膨胀

🔐 环境变量管理（`.env`）

env
编辑
OPENAI_API_KEY=sk-xxxxxx

通过 dotenv.config({ path: '.env' }) 自动注入到 process.env，避免密钥硬编码。

三、代码实现

1. 初始化 OpenAI 客户端

js
编辑
import OpenAI from 'openai';
import { config } from 'dotenv';

config({ path: '.env' });

const client = new OpenAI({
    apiKey: process.env.OPENAI_API_KEY,
    baseURL: 'https://api.agicto.cn/v1' // 可选：使用国内代理加速
});

2. 构造 Prompt（提示词）

js
编辑
const prompt = `
You are an AI assistant that generates sales reports based on the given sales data.
Here is the sales data:
${reference_data}

Please generate a report to answer the following question:
${query}
`;

✨ Prompt 设计要点：

角色设定：You are... 明确身份（销售分析师）

数据边界：用换行清晰分隔数据与问题

任务指令：具体、可执行、带业务语境

3. 调用模型并输出

js
编辑
const response = await client.chat.completions.create({
    model: "gpt-4o-mini",
    messages: [{ role: 'user', content: prompt }],
    max_tokens: 1024,
    temperature: 0.1 // 降低随机性，提高分析准确性
});

console.log(response.choices[0].message.content);

四、实际运行效果

当我们执行以下查询：

js
编辑
main(saleData, '根据上述销售数据，采取哪种销售方法非常有效？');

AI 返回了如下结构化分析报告：

📊 销售数据汇总

iPhone 13:

2023-01-01: 总收入 = 600,000
2023-01-02: 总收入 = 480,000
2023-01-03: 总收入 = 696,000
iPhone 13 总销售额 = 1,776,000

iPhone 14:

2023-01-01: 总收入 = 400,000
2023-01-02: 总收入 = 480,000
2023-01-03: 总收入 = 624,000
iPhone 14 总销售额 = 1,504,000

🔍 销售趋势分析

iPhone 13 的销量呈明显上升趋势：从 100 → 80 → 120，尤其在 1 月 3 日达到峰值。
iPhone 14 销量相对平稳但偏低：从 50 → 60 → 80，虽有增长，但总量仍低于 iPhone 13。

💡 值得注意的是：iPhone 13 在 1 月 3 日单价从 6000 降至 5800，但销量反增，总收入不降反升（48 万 → 69.6 万），说明价格策略调整有效。

🎯 销售方法有效性结论

产品定位成功
iPhone 13 凭借更高的性价比或更强的市场接受度，成为销售主力。
动态定价策略奏效
适度降价（5800 元）显著刺激了销量增长，验证了“以价换量”的可行性。
iPhone 14 需策略优化
尽管也降价（8000 → 7800），但销量提升有限，可能需加强宣传、捆绑销售或渠道优化。

💡 业务建议

✅ 继续主推 iPhone 13：加大库存与营销资源倾斜。
🛠️ 重新评估 iPhone 14 策略：考虑限时折扣、以旧换新、或与配件捆绑销售。
📈 建立数据监控机制：每日跟踪销量、单价、收入变化，快速响应市场反馈。

🌟 关键洞察：
针对 iPhone 13 的销售方法（如灵活定价）非常有效，而 iPhone 14 则需进一步优化策略。

五、提示工程（Prompt Engineering）核心思想

原则	实践体现
明确角色	“You are an AI assistant that generates sales reports...”
提供上下文	完整 CSV 数据作为输入，边界清晰
具体指令	“采取哪种销售方法非常有效？” → 引导模型进行归因分析
控制输出风格	`temperature: 0.1` 确保输出专业、稳定、少幻觉

🌟 提示词是 AI 项目的“核心代码” 。有时候，优化 prompt 比调模型更有效！

六、总结与思考

AIGC 不仅是“聊天”，更是“智能分析工具” ：LLM 能理解结构化数据并输出业务洞察。
安全第一：API Key 必须通过 .env 管理，禁止硬编码。
模块化设计：main.mjs 作为单点入口，便于测试与扩展。
Prompt 是可工程化的资产：好的提示词能直接决定项目成败。

🚀 下一步优化方向：

将分析结果自动保存为 Markdown 或 PDF 报告

添加错误处理（网络异常、API 限流）

支持从 CSV 文件动态读取数据

引入多轮对话，支持追问（如“为什么 iPhone 14 销量低？”）

附：关键概念速记

process.env：Node.js 环境变量对象
.mjs：ES 模块语法（支持 import/export）
temperature：控制输出随机性（0 = 确定性，1 = 创意性）
AIGC = AI Generated Content（生成式人工智能）

✅ 结语：
通过一段简洁的代码 + 精心设计的提示词，我们让 AI 成为了“数据分析师”。这不仅是技术的胜利，更是人机协作新范式的体现——你负责提问，AI 负责思考。

你可以将本笔记保存为 prompt-engineering-sales-analysis.md，作为项目文档或学习资料。

0基础学习AI大模型之：基于 OpenAI 的销售数据分析与提示工程实践