BigQuery 中的 Gemini 的 10 种用法与适用边界
先说清楚它是什么：BigQuery 中的 Gemini 属于「数据与分析」方向的在线服务，谷歌 BigQuery 内的 AI 辅助查询与数据洞察。
下面列出 10 个具体场景，每个都注明适合与不适合的情况。
10 个场景
- 自然语言问数：可以做成固定模板。
- 写 SQL 查询：需要人工复核。
- 数据清洗方案：效果依赖输入材料质量。
- 指标异动解读：适合先小范围试用。
- 图表建议：可以做成固定模板。
- 评测大模型应用：需要人工复核。
- 数据分析师：取数与 SQL：可以做成固定模板。
- 财务人员：单据识别录入：可以做成固定模板。
- 新媒体运营：内容排期：适合先小范围试用。
- 软件工程师：代码阅读与重构：需要人工复核。
挑两个场景细看
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。
检查点：评分标准清晰可复用。
自然语言问数
适用情况：手头有一张销售明细表时。
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。
交付前确认：给出了可复核的计算过程。
不适合的场景
- 需要专业资质最终签字的判断。
- 无法核实来源却要公开发布的内容。
- 涉及他人隐私且未获授权的材料。
补充练习
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）。
检查点：指出了误导风险。
数据清洗方案
适用情况：手头有一份有缺失和异常值的数据时。
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。
写 SQL 查询
输入：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。
验收标准：说明了口径问题。
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：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。
概念补充：语义层
把业务指标定义统一管理，让 AI 查询时口径一致。
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：新媒体运营
新媒体运营可以用 BigQuery 处理内容排期、数据复盘等工作。需要注意：活动规则与奖品说明要准确，避免诱导分享等违规玩法。
适合人群：HR 与招聘
HR 与招聘可以用 BigQuery 处理岗位描述撰写、面试题与评估表等工作。需要注意：简历筛选不得以性别、年龄等因素做歧视性判断，候选人信息需妥善保管。
写在最后
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。
涉及个人信息、商业机密或受监管数据时，先确认 BigQuery 中的 Gemini 的数据处理条款，再决定能否使用。