Looker 中的 Gemini 是一款在线服务：谷歌 Looker BI 中的 Gemini 对话分析能力。

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「帮我评测大模型应用」。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：

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。

变化（示意）：输出结构稳定，可以直接按「评分标准清晰可复用」检查。

对比二：一次做完 vs 分步完成

改之前：把「自然语言问数」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。

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。

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「先排查数据本身问题」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。

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。

验收标准：说明了处理对结论的影响。

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）。

验收标准：指出了误导风险。

写 SQL 查询

输入：数据库表结构说明。

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。

验收标准：说明了口径问题。

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。

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。

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：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：科研人员

科研人员可以用 Looker 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：咨询顾问

咨询顾问可以用 Looker 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。

适合人群：电商运营

电商运营可以用 Looker 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。

使用提醒

涉及个人信息、商业机密或受监管数据时，先确认 Looker 中的 Gemini 的数据处理条款，再决定能否使用。

本文基于 Looker 中的 Gemini 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