用 Quadratic 前先懂这些概念
在「数据与分析」类工具里，Quadratic 的定位是：支持 Python、SQL 与 AI 的新型在线表格。
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 Quadratic 相关的补充
- 在线服务：Quadratic 的产品形态，决定了安装、权限和数据存放方式。
- 同类产品：Rows、Excel、Hex。
- 所属方向：数据与分析。
把概念用起来
图表建议
适用情况：手头有一组需要汇报的数据时。
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。
更多可以试的用法
自然语言问数
输入：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。
验收标准：给出了可复核的计算过程。
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。
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。
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。
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：语义层
把业务指标定义统一管理，让 AI 查询时口径一致。
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：HR 与招聘
HR 与招聘可以用 Quadratic 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：数据分析师
数据分析师可以用 Quadratic 处理取数与 SQL、清洗与可视化等工作。需要注意：确认指标口径，敏感数据脱敏后再交给 AI 处理。
适合人群：新媒体运营
新媒体运营可以用 Quadratic 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
文中提示词和示例仅作示意，实际效果取决于你的材料和 Quadratic 当前版本，重要内容请人工核对后再使用。
本文基于 Quadratic 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。