Databricks Assistant 是一款在线服务：Databricks 平台中的 AI 助手，辅助写 SQL、Python 与排错。

单独用一个工具往往只解决一段问题，这篇讲怎么把它和上下游工具串起来。

推荐组合：Databricks Assistant + Pieces for Developers

Pieces for Developers 的定位是：面向开发者的代码片段管理与上下文记忆助手。两者分工可以是：Databricks Assistant 负责「自然语言问数」这一步，Pieces for Developers 负责开发集成与脚本处理。

工作流步骤

  1. 明确交付物和验收标准，例如：给出了可复核的计算过程。
  2. 准备输入：一张销售明细表，先去掉敏感信息。
  3. 在 Databricks Assistant 中执行核心步骤（提示词见下文）
  4. 把结果交给 Pieces for Developers 做下一步处理，或从 Pieces for Developers 取得所需材料。
  5. 人工检查关键事实与格式，记录发现的问题。
  6. 把这次用到的提示词和设置保存为模板，下次复用。

自然语言问数

输入：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。

交接时最容易出问题的地方

  • 格式不兼容：两边导入导出的格式提前测试一次。
  • 信息丢失：每次交接附上来源和版本号。
  • 责任不清：约定哪一步由谁做最终确认。
  • 权限分散：两边的账号和分享范围分别检查。

如果暂时不想引入第二个工具，也可以先用 Hex 等同类产品替代其中一环，跑通流程后再决定。

补充练习

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。

检查点：先排查数据本身问题。

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。

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。

交付前确认：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：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。

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：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：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：数据分析师

数据分析师可以用 Databricks 处理取数与 SQL、清洗与可视化等工作。需要注意：确认指标口径，敏感数据脱敏后再交给 AI 处理。

使用提醒

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 Databricks 当前版本，重要内容请人工核对后再使用。

延伸阅读