卡锁
你让 AI 洗数据，心里是不是没底：它到底会不会把我的真数据改坏？会不会瞎编缺失值？我拿一张真实导出的五千行脏客户表，把 WorkBuddy 的清洗能力拆成五个维度硬测了一遍，结论写在这。
先说总分：46 / 50。比想象中能打，但有两个维度它确实不如人。下面一维一维拆。
维度一：格式识别与统一（9 / 10）
我把日期、金额、手机号三种混写字段丢进去，让它统一格式。结果：日期四种写法全部归一到 YYYY-MM-DD，金额四种写法全部转成数值型，识别率接近满分。
扣的那 1 分，是极少数”1.2k”这类缩写它偶尔会犹豫，需要你多给一条示例。规则讲清楚后，它比人工快十倍还不出错。
维度二：去重与缺失处理（9 / 10）
按”手机号 + 姓名”双字段去重，它准确识别了 312 条重复并保留最新；缺失的城市字段按同省份众数补全，还乖乖打了 [补] 标记。
这一维它做得最让我放心。扣 1 分是因为：当”姓名”也有错别字时（比如”张伟”和”张纬”），它默认当不同人，需要你额外提示。逻辑上没错，只是不够聪明。
维度三：异常值识别（10 / 10）
金额为负、注册日期在未来的离群点，它一个没漏，全部单列成清单交给我拍板。这一项我给它满分——它守住”只找不改”的边界，没自作主张动我的数据。
清洗最怕 AI 越权替你改，WorkBuddy 在这点上的克制，是它能放心上生产的关键。
维度四：大表稳定性（9 / 10）
五千行整表喂进去，它没崩、没截断、没把前面说过的话忘掉。分批次喂（每次一千行）更稳，输出也能对得上。
扣 1 分是经验提醒：超万行的表，我建议切片处理，别一次全丢，长上下文虽强也有上限。这是用法问题，不是能力问题。
维度五：可解释性与可控性（9 / 10）
每次补全、去重它都给了理由，我复盘时能一句句对。可控性这一项它明显比”黑箱脚本”强——你随时能问它”为什么这么改”，它答得上来。
扣 1 分在：如果你提示词写得太含糊（比如只说”整理干净”），它确实会编。但这锅该甩给提示词，不该甩给模型。
它强在哪，弱在哪
强：规则明确的格式转换、按字段去重、异常清单——这三项是它的主场，又快又稳，基本能替掉一半手工。
弱：需要业务判断的活（这条缺失该填还是该删、这个离群是真错还是真极端），它给不了定论，必须人来定。把它当”助理”而不是”主管”，效率最高。
和纯手工、Python 脚本比
• 纯手工 Excel：准但慢，五千行一下午，还容易漏。
• Python 脚本：快且可复用，但你要会写、要调试，门槛高。
• WorkBuddy：介于两者之间——不用写代码，讲清楚规则就跑，适合”偶尔洗一次、又不想学编程”的普通人。
我的搭配是：一次性大活写 Python 脚本固化，临时脏表直接丢 WorkBuddy，各取所长。
实测用的清洗提示词长这样
为了可复现，我把这次用的核心指令贴出来，你直接抄：
这条指令的关键是”每步输出处理行数”——你能当场验证它到底干没干，而不是盲信它一句”已清洗完成”。
这三种场景，别交给 AI 洗
• 涉密数据不能出内网：客户身份证、银行卡这类，别往任何云端 AI 传，用本地脚本或脱敏后再处理。
• 业务含义模糊的缺失：这条记录到底该删还是该留，AI 给不了定论，必须业务方拍板。
• 一次性极小表：几十行、格式本就对，手动两分钟搞定，上 AI 反而绕路。
把 AI 用在”量大、规则清、可复核”的脏表，才是它真正的甜区。
我的最终评分逻辑
五个维度我各给 10 分上限，加权成 50。格式、去重、异常三项占大头，因为这三项是清洗的硬骨头；稳定性与可控性各占 10，决定它能不能上生产。46 分意味着：硬活它能扛，边界它能守，剩下靠你把指令下硬、把抽查做足。
WorkBuddy 不是数据清洗的终点，而是把人从重复劳动里解放出来的起点。会用的人，把它当杠杆；不会用的人，把它当许愿池——差距就在这几句硬指令上。
一个测出来的真教训
我有次偷懒只说”把表清洗一下”，它把空城市全填成了众数”广东”，害我后面分析全偏。从此我每条清洗指令都带”补全要可解释 + 留标记 + 不编造“三句话。模型听话，前提是你的指令够硬。
实测下来，WorkBuddy 做数据清洗，下限够高、上限看你会不会下指令。会下指令的人，它值 46 分；不会的，可能只值 20 分。
给新手的最后一句建议
别一上来就追求”全自动”。先用小样本跑通四步、确认它改得对，再放大到整表。AI 清洗和开车一样——先在空地上练，再上高速。
你拿 WorkBuddy 洗过数据吗？最想让它替你搞定哪一步？评论区聊聊，我整理一份”清洗提示词清单”下期发。觉得有用就点个「在看」，也转发给做报表的同事。
#WorkBuddy #AI办公 #效率工具
