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。

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

  1. 遇到瓶颈时，用观远 BI 做一次对照，判断是工具问题还是用法问题。
  2. 要求输出「不确定清单」，把需要人工核实的地方单独列出。
  3. 给一个你满意的样例，让它模仿结构而不是复制内容。
  4. 同一任务准备 5 份测试材料，改设置后统一复测。
  5. 先要大纲或计划，再要全文，复杂任务分两到三步完成。
  6. 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。
  7. 把「口径」等关键设置弄清楚再调参。
  8. 长材料分段处理，每段完成后再要一份汇总。

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。

验收标准：评分标准清晰可复用。

更多可以试的用法

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。

交付前确认：说明了处理对结论的影响。

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。

交付前确认：先排查数据本身问题。

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。

交付前确认：给出了可复核的计算过程。

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。

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：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：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：科研人员

科研人员可以用 FineBI 处理文献检索与阅读、实验记录与数据整理等工作。需要注意：遵守期刊和机构关于 AI 使用的披露要求，引用逐条核对。

适合人群：软件工程师

软件工程师可以用 FineBI 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：新媒体运营

新媒体运营可以用 FineBI 处理内容排期、数据复盘等工作。需要注意：活动规则与奖品说明要准确，避免诱导分享等违规玩法。

注意事项

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 FineBI 当前版本，重要内容请人工核对后再使用。

延伸阅读