支持 Python、SQL 与 AI 的新型在线表格——这是 Quadratic 最主要的用途，也是本文讨论的前提。

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。

验收标准：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。

指标异动解读

输入：一个突然下降的业务指标。

日活本周下降了，请列出可能原因的排查清单，按「数据问题 / 产品变化 / 外部因素」分类，每项写明需要查看的数据。

检查点：先排查数据本身问题。

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。

交付前确认：评分标准清晰可复用。

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。

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：文本转 SQL

把自然语言问题转换为数据库查询语句。

适合人群：财务人员

财务人员可以用 Quadratic 处理单据识别录入、报表说明与分析等工作。需要注意：财务数据属于敏感信息，优先使用企业版或本地方案，结果需复核。

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：科研人员

科研人员可以用 Quadratic 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。

使用提醒

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。

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

延伸阅读