在「数据与分析」类工具里，FineBI 智能问答的定位是：帆软 FineBI 中的自然语言问数功能。

当同一类任务每天重复出现时，就值得考虑把它接进自动化流程。

适合自动化的任务特征

  • 输入格式固定（同一种表单、文件或消息）
  • 判断规则可以写清楚。
  • 出错时可以被发现并人工补救。
  • 频率足够高，值得投入配置时间。

接入方式

FineBI 智能问答属于客户端应用。如果官方提供 API、集成市场或与 Zapier、Make、n8n 等平台的连接器，可以直接接入；如果没有，就不要用模拟点击等不稳定方式硬接，可改为半自动：自动收集材料，人工在 FineBI 中处理。

示例：自动化里的核心指令

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。

验收标准：给出了可复核的计算过程。

上线前的风控

  • 对外发送的内容一律先进入人工审核。
  • 设置每日调用上限和费用告警。
  • 保留原始输入，便于出错时追溯。
  • 每周抽查一批自动处理结果。

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

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。

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。

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：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。

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。

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：财务人员

财务人员可以用 FineBI 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：HR 与招聘

HR 与招聘可以用 FineBI 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：数据分析师

数据分析师可以用 FineBI 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

涉及个人信息、商业机密或受监管数据时，先确认 FineBI 智能问答的数据处理条款，再决定能否使用。

文中提示词和示例仅作示意，实际效果取决于你的材料和 FineBI 当前版本，重要内容请人工核对后再使用。

延伸阅读