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。

下面按「现象 → 可能原因 → 处理办法」整理常见问题。

排查表

现象处理办法
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。
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。
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。
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。
图表结论被过度解读区分相关与因果，在报告中标注假设。

通用排查顺序

  1. 确认账号、额度和网络状态正常。
  2. 用一份简单材料复现问题，排除材料本身的干扰。
  3. 检查设置是否被改动（模型、语言、格式等）
  4. 查看官方状态页或更新日志。
  5. 仍无法解决时整理复现步骤联系官方支持。

用标准任务做对照测试

指标异动解读

准备材料：一个突然下降的业务指标。

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。

验收标准：先排查数据本身问题。

更多可以试的用法

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）。

验收标准：指出了误导风险。

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。

检查点：给出了可复核的计算过程。

评测大模型应用

适用情况：手头有一批真实用户问题和应用回答时。

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。

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：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。

概念补充：异常检测

自动发现偏离正常范围的数据点。

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。

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。

适合人群：销售

销售可以用 Databricks 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：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。

写在最后

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。

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。

延伸阅读