Databricks 老手才知道的用法
在「数据与分析」类工具里，Databricks Assistant 的定位是：Databricks 平台中的 AI 助手，辅助写 SQL、Python 与排错。
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
- 遇到瓶颈时，用 Snowflake Cortex 做一次对照，判断是工具问题还是用法问题。
- 把「口径」等关键设置弄清楚再调参。
- 先要大纲或计划，再要全文，复杂任务分两到三步完成。
- 记录每次的输入、设置和结果，形成自己的经验库。
- 敏感信息用代号替换，交付前再换回。
- 长材料分段处理，每段完成后再要一份汇总。
- 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。
- 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
输入：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。
延伸练习
图表建议
适用情况：手头有一组需要汇报的数据时。
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
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。
数据清洗方案
准备材料：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。
验收标准：说明了处理对结论的影响。
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：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：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：异常检测
自动发现偏离正常范围的数据点。
适合人群：HR 与招聘
HR 与招聘可以用 Databricks 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。
适合人群：财务人员
财务人员可以用 Databricks 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：软件工程师
软件工程师可以用 Databricks 处理代码阅读与重构、测试与排错等工作。需要注意：不要把密钥和未开源代码上传到未授权工具，合并前审阅每处改动。
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。
本文基于 Databricks Assistant 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。