先说清楚它是什么：Arize Phoenix 属于「数据与分析」方向的开源项目，开源的大模型可观测与评测工具。

下面用几组示意对比，说明同一任务里提示写法和流程不同会带来什么差别。

对比一：模糊指令 vs 明确指令

改之前：直接说「帮我自然语言问数」。结果往往泛泛而谈、格式随意。

改之后：写清材料、格式和验收标准：

请基于这张表回答：上个季度销售额最高的 3 个地区是哪些？与前一季度相比变化多少？请同时给出你使用的计算方法或 SQL，便于我复核。

变化（示意）：输出结构稳定，可以直接按「给出了可复核的计算过程」检查。

对比二：一次做完 vs 分步完成

改之前：把「评测大模型应用」的全部要求一次塞进去。改之后：先让它给出计划或大纲，确认后再逐步完成。变化（示意）：中途发现偏差可以及时纠正，返工更少。

为这批回答设计评测：定义 4 个评分维度，写出评分标准，抽取 20 条进行人工打分，并统计各维度的问题类型。

对比三：不检查 vs 带检查点

改之前：拿到结果直接用。改之后：每次都对照「先排查数据本身问题」检查，并让工具列出它不确定的地方。变化（示意）：问题在交付前被发现。

以上对比均为示意，用来说明方法差异，不代表具体的效率数字。

更多可以试的用法

数据清洗方案

输入：一份有缺失和异常值的数据。

分析这份数据的质量问题：缺失值比例、异常值、格式不一致的字段，给出处理建议，并说明每种处理方式对结论的影响。

交付前确认：说明了处理对结论的影响。

图表建议

输入：一组需要汇报的数据。

根据这些数据推荐合适的图表类型，说明理由，并指出容易误导读者的画法（如截断坐标轴）。

交付前确认：指出了误导风险。

写 SQL 查询

适用情况：手头有数据库表结构说明时。

根据以下表结构写 SQL：统计每个月新增用户数和其中完成首单的比例。请说明关联条件和可能存在的口径问题。

检查点：说明了口径问题。

常见问题：生成的 SQL 运行报错

提供准确的表结构和字段说明，先在测试库运行。

常见问题：敏感数据暴露给模型

使用脱敏视图或只读账号，限制可访问的表。

常见问题：AI 算出的数字和报表不一致

检查口径和过滤条件，要求它输出 SQL 或公式逐步复核。

概念补充：口径

指标的定义与计算规则，不同口径会得出不同结论。

概念补充：文本转 SQL

把自然语言问题转换为数据库查询语句。

适合人群：咨询顾问

咨询顾问可以用 Phoenix 处理行业研究、访谈整理等工作。需要注意：客户机密遵守保密协议，研究结论注明来源。

适合人群：数据分析师

数据分析师可以用 Phoenix 处理取数与 SQL、清洗与可视化等工作。需要注意：确认指标口径，敏感数据脱敏后再交给 AI 处理。

适合人群：科研人员

科研人员可以用 Phoenix 处理文献检索与阅读、实验记录与数据整理等工作。需要注意：遵守期刊和机构关于 AI 使用的披露要求，引用逐条核对。

注意事项

涉及个人信息、商业机密或受监管数据时，先确认 Arize Phoenix 的数据处理条款，再决定能否使用。

所有示例输出均为示意，不代表真实统计或效果承诺；请以自己的测试结果为准。

延伸阅读