导读：反复改，往往不是 AI 不行，是信息没给全

用 WorkBuddy 做数据分析时，很多人都有过这种体验：同一份表格，有时结论很准，有时通篇空话，甚至冒出表格里根本没有的数字。于是来回改指令、换说法，越改越没耐心。

问题通常不在模板多少，而在于每次给 AI 的信息都不完整。它只能靠猜：猜对了叫惊喜，猜错了就得返工。解决办法不是囤更多“万能提示词”，而是建立一套固定的沟通逻辑：一个公式打底，三条指令兜底，五个高频场景直接套用。

一、1 个公式：把一次分析任务说完整

公式

身份定位 + 任务目标 + 数据来源 + 硬性限制 + 输出规范

每个部分是干什么的

1. 身份定位：限定思考方式。让它用数据分析的视角处理问题，而不是写通用文案。
2. 任务目标：说清最终目的。是清洗数据、做归因、统计指标，还是提炼结论？目标不清，理解就容易跑偏。
3. 数据来源：指明用哪个文件。借助 WorkBuddy 读取本地文档的能力，不用手动复制粘贴。
4. 硬性限制：数据分析最关键的一环，用来防止编造数据、主观臆断。
5. 输出规范：固定返回结构，排版一次到位，方便直接复用。

对比例子

• 含糊版：“帮我分析一下这张表，看看有什么问题。”
• 完整版：“你是一名业务数据分析师。基于当前工作空间里的《月度渠道留存表.xlsx》，分析上个月各渠道新用户留存下降的主要原因。只能用表格里的原始数据，不能编造数字，没有数据支撑的推测要标注出来。先给基础数据概览，再按渠道拆解，最后输出 3 条可落地的改进建议。”

避坑

• 不要只说“分析一下”，不说分析什么、用什么数据、输出成什么样。
• “不能编造数据”这类约束不是客套话，而是必须每次都带上的红线。

二、3 条配套指令：给分析过程加三道保险

这三条指令可以放在主指令末尾，也可以单独调用，专门堵分析过程中最容易踩的漏洞。

指令 1：结果自检，防算错、防编数

操作方法：分析完成后，要求它自行核验一遍——核对计算结果是否与源文件一致，检查有没有虚构指标，判断每条结论是否有数据支撑。发现错误要标注并修正；没有异常就直接输出。

适用场景：同比环比、占比统计、用户分层等带计算的任务，能拦截基础算术错误。

示例：“分析完成后先自检：逐项核对计算结果和源文件是否一致，结论是否有数据支撑，有问题标注并修正，没问题直接输出。”

指令 2：分步拆解，应对复杂任务

操作方法：多表关联、大规模问卷、多维度复盘这类重活，不要一次要求出完整报告。拆成阶段，每完成一个阶段同步一次结果，等你确认后再继续。

示例：

• 阶段 1：读取文件，梳理全部字段，确认统计口径。
• 阶段 2：完成指标计算和多维度对比。
• 阶段 3：提炼业务洞察。
• 每个阶段结束先同步结果，等确认后再进入下一阶段。

避坑：一次性任务太重，AI 容易丢细节、简化步骤，结果质量反而下降。

指令 3：结论压缩，输出汇报精简版

操作方法：分析初稿往往篇幅长、技术细节多，不方便直接给业务负责人看。再用一条指令二次提炼，只保留核心指标、现存风险和落地建议，语言简洁，方便粘贴到 PPT。

示例：“基于刚才的分析，压缩成一页汇报要点：去掉专业技术描述，只保留核心指标、风险和建议。”

三、5 个场景：替换文件名和业务条件就能用

场景 1：原始数据清洗

操作方法：让它读取本地原始数据表，识别重复行、空值和异常极值，输出一份清洗清单，标注每处异常和对应的处理建议。

示例：“读取《订单原始表.xlsx》，做清洗检查：找出重复行、空值和异常极值，输出清洗清单并给出处理建议。”

避坑：只让它识别和给方案，不要让它直接修改原始业务文件，保护源数据。

场景 2：指标波动归因

操作方法：读取月度业务数据表，拆解指标波动原因，按影响权重从高到低排序，区分内部业务因素和外部环境因素，每条推断附上数据证据。

示例：“读取《月度经营数据.xlsx》，拆解本月转化率下降的原因，按影响权重排序，内外部因素分开，每条推断附数据证据，禁止无依据猜测。”

避坑：没有证据的推断一律不要写，写了也要标注为“待验证”。

场景 3：问卷开放题归类

操作方法：读取文件夹内所有调研问卷文档，对开放反馈做归类汇总，统计各类痛点提及频次，生成分类汇总表格。

示例：“读取问卷文件夹里的全部文档，把用户开放反馈按痛点归类，统计每类提及频次，输出分类汇总表。”

避坑：不要凭空脑补用户的潜在诉求，没有提到的内容不要往里加。

场景 4：异常数据排查

操作方法：扫描表格识别异常数值，判断每个异常是业务正常现象还是录入错误，列出全部异常条目并写明判断理由。

示例：“扫描《销售台账.xlsx》，找出异常数值，逐个判断是业务正常波动还是录入错误，列出异常清单和判断理由。”

避坑：异常不等于错误，先判断再处理，避免把正常业务波动当成脏数据删掉。

场景 5：可视化方案推荐

操作方法：根据分析得出的指标，让它推荐适配的图表类型，并说明每张图表展示什么内容、解读重点是什么。

示例：“基于本次分析的指标，推荐合适的图表类型，说明每张图展示什么、重点看什么，不用直接生成图片。”

避坑：先定“想表达什么”，再选图表，不要为了好看堆一堆华而不实的图。

四、4 个常见坑：框架对了也可能翻车

1. 提示词盲目堆砌，越长越好：几十行的“万能提示词”塞满修饰话术，AI 反而抓不住核心任务。只保留和本次分析强相关的指令，多余的全部删掉。
2. 缺少约束，放任自由发挥：数据分析的第一红线是严禁编造数据。每次都要带上约束句：没有数据支撑的结论不要写，数据缺失直接标注，严禁编造数字。
3. 单个指令塞进大量任务：一条指令同时要求清洗、计算、画图、写报告、做预测，任务过载，AI 会简化某些步骤。复杂任务优先分步执行。
4. 每次对话重复输入完整框架：反复复制整套指令很耗时间。可以把基础框架存入 WorkBuddy 知识库，新项目直接引用基础规则，只改任务目标和数据源。

快速上手清单

1. 下任务时套用 1 个公式：身份 + 目标 + 来源 + 限制 + 输出规范。
2. 带计算的任务追加自检指令；复杂任务追加分步指令；要汇报追加压缩指令。
3. 五个场景按需套用，记得把文件名和业务条件换成自己的。
4. 每次都带“严禁编造数据”的约束，数据缺失就标注。
5. 把常用框架存进知识库，避免每次重写。

用 WorkBuddy 做数据分析，拉开差距的关键不在于收藏了多少提示词，而在于拥有一套稳定可控的指令逻辑：底层框架搭任务，高频模板应付日常报表，约束校验语句守住数据真实性。先按这套极简公式上手，来回调试的时间会明显减少。

记住一句话：AI 找不到依据的地方，别让它硬编。缺数据就明说，别为了结论好看瞎凑。

来源：搜狗微信搜索 + 公众号「CDA数据分析师」（本文为改写教程，非原文转载）