Databricks 平台中的 AI 助手，辅助写 SQL、Python 与排错——这是 Databricks Assistant 最主要的用途，也是本文讨论的前提。

这篇写给财务人员：围绕单据识别录入、报表说明与分析和制度问答这几类日常工作，说明它能帮上什么忙、怎么用、哪些地方必须自己把关。

财务人员的三个高频用法

1. 单据识别录入

可直接复制到 Databricks 里修改：

从这批报销单据中提取日期、金额、类别和事由，整理成表格，与报销单汇总金额核对，不一致的标红，不要自行修正金额。

把关：合计与单据核对一致。

2. 报表说明与分析

在 Databricks Assistant 中可以这样提：

根据这份月度报表写一段管理层说明：收入、成本、利润的主要变化及原因，原因中不确定的标注「待业务确认」。

把关：数字与报表完全一致。

3. 制度问答

在 Databricks Assistant 中可以这样提：

根据公司费用制度回答：客户招待费的标准和审批流程是什么？引用制度条款编号，制度没有规定的说明需要向谁确认。

把关：回答引用了制度条款。

也可以试试：评测大模型应用

这是「数据与分析」类工具的通用任务，财务人员同样用得上。

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。

边界与合规

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。

  • 产出由财务人员本人负责，AI 只是草稿和辅助。
  • 对外内容发布前至少看一遍。
  • 如单位有规定的工具清单，优先在清单内选择；Databricks Assistant 的同类还有 Snowflake Cortex、Hex。

一周试用建议

选一个最常做的任务连续用 5 个工作日，记录每次节省的时间和需要修改的地方，再决定是否把 Databricks 纳入日常流程。

更多可以试的用法

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。

指标异动解读

适用情况：手头有一个突然下降的业务指标时。

日活本周下降了，请列出可能原因的排查清单，按「数据问题 / 产品变化 / 外部因素」分类，每项写明需要查看的数据。

交付前确认：先排查数据本身问题。

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。

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。

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：口径

指标的定义与计算规则，不同口径会得出不同结论。

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 Databricks 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 Databricks Assistant 的数据处理条款，再决定能否使用。

延伸阅读