面向律所与法务团队的生成式 AI 平台——这是 Harvey 最主要的用途，也是本文讨论的前提。

这篇写给数据分析师：围绕取数与 SQL、清洗与可视化和分析报告这几类日常工作，说明它能帮上什么忙、怎么用、哪些地方必须自己把关。

数据分析师的三个高频用法

1. 取数与 SQL

可直接复制到 Harvey 里修改：

根据表结构写 SQL：按月统计新增用户与 7 日留存，说明关联条件、时间口径和可能的重复计数问题。

把关：口径说明清楚。

2. 清洗与可视化

在 Harvey 中可以这样提：

检查这份数据的质量：缺失、重复、异常值和格式问题，给出处理方案，并说明每种处理对结论的影响。

把关：说明了处理影响。

3. 分析报告

提示词示例：

根据分析结果写一页报告：结论先行、3 个关键发现、1 张建议图表、局限性和下一步建议。

把关：结论有数据支撑。

也可以试试：客户沟通稿

这是「垂直行业」类工具的通用任务，数据分析师同样用得上。

用非专业人士能理解的语言解释这个问题，避免给出绝对化承诺，并提醒客户需要专业人士最终确认的部分。

边界与合规

确认指标口径，敏感数据脱敏后再交给 AI 处理。

  • 产出由数据分析师本人负责，AI 只是草稿和辅助。
  • 对外内容发布前至少看一遍。
  • 如单位有规定的工具清单，优先在清单内选择；Harvey 的同类还有 CoCounsel、Spellbook。

一周试用建议

选一个最常做的任务连续用 5 个工作日，记录每次节省的时间和需要修改的地方，再决定是否把 Harvey 纳入日常流程。

更多可以试的用法

批量文档审阅

准备材料：一批合同、报告或单据。

审阅这批文档，标出缺少关键条款、金额不一致或日期异常的文件，输出问题清单，不做最终判断。

验收标准：只标问题不下结论。

资料检索与摘要

输入：一个专业问题。

检索与这个问题相关的权威资料，给出摘要并附出处，明确区分「资料原文结论」与「推论」。

检查点：区分原文与推论。

常见问题：输出引用了不存在的条款或文献

只接受能追溯到原文的引用，逐条核对。

常见问题：识别模型在新场景失效

补充新场景的标注数据重新评估。

常见问题：客户误以为是专业意见

在输出中加入明确提示，并由专业人员审核后再发出。

概念补充：环境感知文书

在征得同意后记录对话并自动生成专业记录。

概念补充：审计日志

记录谁在何时用 AI 处理了什么数据。

适合人群：行政与助理

行政与助理可以用 Harvey 处理会议安排与纪要、通知公告等工作。需要注意：员工个人信息与内部文件按权限管理。

适合人群：HR 与招聘

HR 与招聘可以用 Harvey 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

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

本文基于 Harvey 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。

延伸阅读