好的查询从一个具体问题开始
“分析一下这个品牌”可以指搜索讨论、查看账号、跟踪投放作品，也可以指整理话题。问题越宽泛，越容易让生成的查询偏离真正需求。
使用小火苗数据的自然语言入口时，可以把一句话拆成四个要素：在哪个平台、查询什么对象、覆盖什么时间、希望得到什么结果。
一个可以复用的提问结构
“在【平台】查询【账号、作品链接、关键词或话题】，范围是【时间或数量】，希望查看【指标或分析目标】。”
例如：“在小红书查询‘露营收纳’相关内容，关注近 7 天的讨论，先看返回作品和互动指标。”这只是需求表达示例，实际支持的时间筛选、结果数量和字段仍需在生成的查询条件中确认。
对于具体账号，尽量附上主页或作品链接。对于品牌词，可以补充排除含义，避免同名人物、地点或普通词语混入结果。
执行前检查三个地方
先看平台和查询类型。账号数据、作品数据、关键词和话题对应的对象不同，不能只凭自动识别就直接确认。
再看时间和范围。“最近”最好改成明确的日期或天数。如果来源平台不能按目标范围筛选，应按实际返回范围解释结果，不能把不足的样本称为全部内容。
最后看费用与执行数量。自然语言描述不是无限额授权；实际执行前应核对页面显示的范围与点数信息，需要扩大范围时再调整。
把事实、分类和建议分开阅读
作品链接、发布时间和来源指标属于可回查的数据。情绪标签、主题归纳和运营建议则包含模型判断，需要人工复核。
例如，带有反问、引用或玩笑的评论可能被误判情绪。需要用于对外报告时，抽查原文并说明样本范围，不要把一个自动生成的百分比写成整个平台的舆论结论。
分两轮查询，通常更容易控制
第一轮用较小范围确认结果是否命中目标：对象正确吗，重复内容多吗，字段足够吗？第二轮再围绕已经确认的问题补充数据。
假设第一轮发现品牌词与地名重名，先调整关键词或查询对象，再扩大样本。这比一次提交很宽的需求后再从大量无关内容里筛选更容易复核。
让下一次查询可以重复
保存原始需求、最终条件、执行时间及关键结果。下次复盘沿用相同口径，才能分辨真实变化与查询条件变化。
通过 API、MCP 或 Skill 接入外部工具时也采用相同原则：明确平台、对象、范围和允许执行的动作，妥善管理密钥。自动化能减少重复操作，但重要结论仍需要回到来源数据确认。