先说清楚它是什么：Looker 中的 Gemini 属于「数据与分析」方向的在线服务，谷歌 Looker BI 中的 Gemini 对话分析能力。

下面按「现象 → 可能原因 → 处理办法」整理常见问题。

排查表

现象处理办法
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。
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。
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。
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。
图表结论被过度解读区分相关与因果，在报告中标注假设。

通用排查顺序

  1. 确认账号、额度和网络状态正常。
  2. 用一份简单材料复现问题，排除材料本身的干扰。
  3. 检查设置是否被改动（模型、语言、格式等）
  4. 查看官方状态页或更新日志。
  5. 仍无法解决时整理复现步骤联系官方支持。

用标准任务做对照测试

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。

检查点：说明了处理对结论的影响。

更多可以试的用法

自然语言问数

准备材料：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。

交付前确认：给出了可复核的计算过程。

写 SQL 查询

准备材料：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。

交付前确认：说明了口径问题。

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。

验收标准：评分标准清晰可复用。

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：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：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：口径

指标的定义与计算规则，不同口径会得出不同结论。

适合人群：销售

销售可以用 Looker 处理客户背景调研、跟进邮件与话术等工作。需要注意：客户数据按公司规定处理，报价和承诺以合同为准。

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：HR 与招聘

HR 与招聘可以用 Looker 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 Looker 当前版本，重要内容请人工核对后再使用。

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。

延伸阅读