在「数据与分析」类工具里，Vanna 的定位是：开源的文本转 SQL 框架，基于 RAG 训练。

如果你刚开始接触它，可以按下面 7 天的安排练习，每天 20 到 40 分钟。

每日安排

  • 第 1 天：注册与熟悉界面：阅读仓库 README 与许可证；按官方推荐方式安装（容器或包管理器）
  • 第 2 天：完成第一个任务「图表建议」，按下文提示词操作。
  • 第 3 天：换一类任务「自然语言问数」，对比两次结果的质量。
  • 第 4 天：学习关键概念：口径、文本转 SQL、语义层。
  • 第 5 天：用真实工作材料做一次「数据清洗方案」，记录省下的时间和需要返工的地方。
  • 第 6 天：排查问题：对照常见问题「AI 算出的数字和报表不一致」等检查自己的用法。
  • 第 7 天：复盘：保留有效的提示词，写下继续使用或放弃的理由。

第 2 天的练习材料

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）。

检查点：指出了误导风险。

一周后怎么判断值不值得继续

  • 是否稳定地节省了时间，而不只是第一次觉得新鲜。
  • 返工次数是否在下降。
  • 与 Chat2DB 等同类相比，是否更适合你的场景。
  • 数据与费用是否在可接受范围内。

补充练习

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。

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。

指标异动解读

准备材料：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。

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：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。

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：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：数据分析师

数据分析师可以用 Vanna 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：科研人员

科研人员可以用 Vanna 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 Vanna 当前版本，重要内容请人工核对后再使用。

本文基于 Vanna 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。

延伸阅读