在「数据与分析」类工具里，PandasAI 的定位是：用自然语言对 DataFrame 提问的开源库。

看文档和设置项时遇到的术语，这里用一两句话解释清楚。

术语表

  • 口径：指标的定义与计算规则，不同口径会得出不同结论。
  • 文本转 SQL：把自然语言问题转换为数据库查询语句。
  • 语义层：把业务指标定义统一管理，让 AI 查询时口径一致。
  • 异常检测：自动发现偏离正常范围的数据点。
  • 追踪（Tracing）：记录大模型应用每次调用的输入输出与耗时。
  • 评测集：用于反复检验模型或应用效果的标准问题集合。

和 PandasAI 相关的补充

  • 开源项目：PandasAI 的产品形态，决定了安装、权限和数据存放方式。
  • 同类产品：Vanna、Julius、LangChain SQL。
  • 所属方向：数据与分析。

把概念用起来

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。

交付前确认：说明了口径问题。

延伸练习

评测大模型应用

准备材料：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。

交付前确认：评分标准清晰可复用。

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。

验收标准：给出了可复核的计算过程。

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）。

验收标准：指出了误导风险。

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：文本转 SQL

把自然语言问题转换为数据库查询语句。

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：咨询顾问

咨询顾问可以用 PandasAI 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：HR 与招聘

HR 与招聘可以用 PandasAI 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。

适合人群：销售

销售可以用 PandasAI 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。

写在最后

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

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

延伸阅读