BigQuery 老手才知道的用法
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。
这些技巧适合已经会基本操作、想进一步提效的用户。
8 条进阶用法
- 长材料分段处理，每段完成后再要一份汇总。
- 同一任务准备 5 份测试材料，改设置后统一复测。
- 敏感信息用代号替换，交付前再换回。
- 遇到瓶颈时，用 Databricks 做一次对照，判断是工具问题还是用法问题。
- 把固定的背景和规则保存为预设或模板，避免每次重复输入。
- 给一个你满意的样例，让它模仿结构而不是复制内容。
- 先要大纲或计划，再要全文，复杂任务分两到三步完成。
- 要求输出「不确定清单」，把需要人工核实的地方单独列出。
示例：分步完成的写法
评测大模型应用
准备材料：一批真实用户问题和应用回答。
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。
验收标准：评分标准清晰可复用。
延伸练习
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。
图表建议
准备材料：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。
自然语言问数
准备材料：一张销售明细表。
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。
检查点：给出了可复核的计算过程。
常见问题：问数结果看似合理但错误
准备几道已知答案的问题做抽检。
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：评测集
用于反复检验模型或应用效果的标准问题集合。
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。
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。
适合人群：销售
销售可以用 BigQuery 处理客户背景调研、跟进邮件与话术等工作。需要注意：客户数据按公司规定处理，报价和承诺以合同为准。
适合人群：咨询顾问
咨询顾问可以用 BigQuery 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。
写在最后
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。
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。