先说清楚它是什么：FineBI 智能问答属于「数据与分析」方向的客户端应用，帆软 FineBI 中的自然语言问数功能。

下面用几组示意对比，说明同一任务里提示写法和流程不同会带来什么差别。

对比一：模糊指令 vs 明确指令

改之前：直接说「帮我指标异动解读」。结果往往泛泛而谈、格式随意。

改之后：写清材料、格式和验收标准：

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。

变化（示意）：输出结构稳定，可以直接按「先排查数据本身问题」检查。

对比二：一次做完 vs 分步完成

改之前：把「写 SQL 查询」的全部要求一次塞进去。改之后：先让它给出计划或大纲，确认后再逐步完成。变化（示意）：中途发现偏差可以及时纠正，返工更少。

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。

对比三：不检查 vs 带检查点

改之前：拿到结果直接用。改之后：每次都对照「给出了可复核的计算过程」检查，并让工具列出它不确定的地方。变化（示意）：问题在交付前被发现。

以上对比均为示意，用来说明方法差异，不代表具体的效率数字。

补充练习

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。

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。

验收标准：说明了处理对结论的影响。

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。

交付前确认：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：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：评测集

用于反复检验模型或应用效果的标准问题集合。

概念补充：文本转 SQL

把自然语言问题转换为数据库查询语句。

适合人群：电商运营

电商运营可以用 FineBI 处理商品详情与主图、活动方案与客服话术等工作。需要注意：商品参数和促销规则必须与后台一致，避免虚假宣传。

适合人群：咨询顾问

咨询顾问可以用 FineBI 处理行业研究、访谈整理等工作。需要注意：客户机密遵守保密协议，研究结论注明来源。

写在最后

本文基于 FineBI 智能问答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 FineBI 当前版本，重要内容请人工核对后再使用。

延伸阅读