AI 做数据分析总漏读编造？原因、工具选型与校验流程
把表格直接丢给聊天式 AI，常出现漏读、算错、编造和多表对不上的问题。文章解释背后原因，给出以代码执行和结果校验为核心的分析流程，并讨论长上下文 API、NotebookLM、多答案对比等做法的适用场景与取舍。
把电子表格直接拖进聊天框，让 ChatGPT、DeepSeek 或 Claude 做统计分析，常见的体验是：模型声称已经读取文件，结论却和原始数据对不上；两张表做关联时讲得头头是道，数字却像凭空生成；长表格只分析了一部分，剩下靠猜。问题不一定是你选的模型不够强，而是把聊天式 AI 当成了计算引擎。聊天产品对文件的上传、解析、截断和检索并不透明，模型本身也不擅长逐行精确计算。
漏读和编造的常见原因
- 文件解析不完整：聊天界面上传表格后，系统可能只抽取部分内容、做分段检索或摘要，并不会把每一行都放进上下文。用户看到「已上传」，不等于模型看到了全部数据。
- 让语言模型做算术：求和、去重、多表 join、分组统计属于确定性计算，交给模型直接口算，行数一多就容易出错。
- 提示缺少数据字典：列名含义、单位、空值规则、时间范围没有说明，模型只能猜。
- 多表关联没有真正执行：模型可能根据列名编出一个看似合理的关联逻辑，实际没有按主键匹配。
- 对话过长造成污染：前面错误的中间结论被反复引用，后面越分析越偏。
核心思路：AI 负责写和分析，计算交给代码
更稳妥的做法是把 AI 降级为「分析助手」：让它理解需求、生成 SQL 或 Python、解释结果，真正的计算交给 pandas、DuckDB、数据库或 BI 工具执行。这样每一步都有可复现的输出，能核对行数、字段和汇总值。
第一步：先做数据审计
拿到文件后不要直接问结论。先让代码输出结构、缺失值、重复值和范围：
import pandas as pd
df = pd.read_csv('data.csv')
print(df.shape)
print(df.dtypes)
print(df.isna().sum())
print(df.duplicated().sum())
print(df.head())
print(df.describe(include='all'))
把输出贴给 AI，再让它基于真实字段写分析代码。涉及多表时，先确认主键、关联方式和一对多关系，再执行 join。
第二步：要求 AI 输出可执行代码，而不是直接给结论
提示词可以这样写：
你是数据分析助手。不要直接给最终结论。
请先列出字段含义和需要确认的问题，再给出可执行的 Python 或 SQL。
代码必须包含：读取数据、行数检查、缺失值检查、关键汇总、异常值检查。
最后解释输出，并标注哪些结论需要人工复核。
模型给出代码后，在本地或受控环境中运行。运行失败就贴报错，让它改代码；不要让它跳过执行直接编结果。
第三步：用检查清单验收
| 检查项 | 方法 | 通过标准 |
|---|---|---|
| 行数 | 原始文件与读入后对比 | 一致或能解释过滤条件 |
| 字段类型 | 查看 dtypes | 数值、日期、分类正确 |
| 缺失值 | 统计空值比例 | 关键字段无异常缺失 |
| 汇总值 | 手算小样本或 SQL 复核 | 总额、均值、分组数对得上 |
| 多表关联 | 检查关联前后行数 | 一对多关系符合预期 |
| 异常值 | 看最大最小和分位数 | 无明显单位或录入错误 |
聊天式工具怎么选
NotebookLM 一类 grounded 工具适合读报告、文献和会议材料，回答会引用来源，适合做资料归纳和交叉提问。但它不是统计计算器，遇到数值汇总仍要回到代码或表格工具。
长上下文 API 的思路是把完整数据或完整文档放进上下文，并调低温度，减少因检索和截断造成的漏读。它比聊天界面上传更可控，但仍不能保证计算正确，token 成本和延迟要提前评估。上下文长度、文件限制和价格变化较快，以官方最新说明为准。
多答案对比 是现实中的补救办法：同一问题让两个模型或两种方法各做一遍，结果不一致就重点核查。它适合高价值、低频次的分析，但费时；而且两个答案一致也可能一起错，尤其是同一模型、同一提示。更可靠的是「代码执行结果 + 独立复核」，而不是单纯比文案。
一套可落地的工作流
- 脱敏和拆分：去掉身份证号、手机号等敏感字段；大表按时间或业务维度拆分，先跑小样本。
- 写数据字典：列出字段、单位、口径、空值含义和统计范围。
- 让 AI 生成代码：要求输出可执行 SQL/Python，并附上检查步骤。
- 执行并保存结果：保留脚本、输入文件版本和输出表，方便复现。
- 交叉验证：用另一种方法抽查总额、分组数和关联行数。
- 人工定稿：让 AI 写解释和报告，但数字以执行结果为准。
如果分析任务需要长时间批量运行、定时拉取数据或保持固定网络环境，可以把脚本放到长期在线的远程机器上，例如新加坡独享远程 Mac；它解决的是运行环境稳定性，不会自动提高模型判断的准确性。
注意事项
- 不要把含有个人信息、商业机密的原始表直接上传到不受控的聊天工具，先脱敏或走企业合规通道。
- 对主动推销的「数据分析工具」先确认数据存储位置、权限控制和验收标准，不要直接把敏感数据发给陌生人。
- 模型和产品能力更新很快，涉及上下文长度、文件大小限制、API 计费时，以官方文档为准。
- 任何 AI 给出的统计结论，都应能追溯到一行代码、一条 SQL 或一个可复核的表格。
小结
专业数据分析没有一键通用的 AI 工具。更可靠的组合是：AI 帮你理解需求、写代码和解释结果，pandas、DuckDB、SQL 等负责确定性计算，检查清单和多方法复核负责兜底。聊天式工具可以用来探索和提问，但不要把「它说读了」当成「它真的算对了」。
