ThoughtSpot Spotter 前后对比：同一任务改提示词后的变化
以自然语言搜索分析数据的 BI 平台——这是 ThoughtSpot Spotter 最主要的用途，也是本文讨论的前提。
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「帮我指标异动解读」。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：
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。
变化（示意）：输出结构稳定，可以直接按「先排查数据本身问题」检查。
对比二：一次做完 vs 分步完成
改之前：把「评测大模型应用」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。
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。
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「说明了口径问题」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
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。
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。
检查点：说明了处理对结论的影响。
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。
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：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：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：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：销售
销售可以用 ThoughtSpot 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：新媒体运营
新媒体运营可以用 ThoughtSpot 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。
使用提醒
涉及个人信息、商业机密或受监管数据时，先确认 ThoughtSpot Spotter 的数据处理条款，再决定能否使用。
本文基于 ThoughtSpot Spotter 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。