BigQuery 中的 Gemini 是一款在线服务：谷歌 BigQuery 内的 AI 辅助查询与数据洞察。

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。

延伸练习

写 SQL 查询

准备材料：数据库表结构说明。

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。

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）。

验收标准：指出了误导风险。

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。

检查点：说明了处理对结论的影响。

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。

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：图表结论被过度解读

区分相关与因果，在报告中标注假设。

概念补充：追踪（Tracing）

记录大模型应用每次调用的输入输出与耗时。

概念补充：异常检测

自动发现偏离正常范围的数据点。

适合人群：电商运营

电商运营可以用 BigQuery 处理商品详情与主图、活动方案与客服话术等工作。需要注意：商品参数和促销规则必须与后台一致，避免虚假宣传。

适合人群：财务人员

财务人员可以用 BigQuery 处理单据识别录入、报表说明与分析等工作。需要注意：财务数据属于敏感信息，优先使用企业版或本地方案，结果需复核。

注意事项

文中提示词和示例仅作示意，实际效果取决于你的材料和 BigQuery 当前版本，重要内容请人工核对后再使用。

本文基于 BigQuery 中的 Gemini 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。

延伸阅读