Vanna 怎么和其他工具组合：一条可落地的工作流
开源的文本转 SQL 框架，基于 RAG 训练——这是 Vanna 最主要的用途，也是本文讨论的前提。
单独用一个工具往往只解决一段问题，这篇讲怎么把它和上下游工具串起来。
推荐组合：Vanna + Docling
Docling 的定位是：IBM 开源的文档解析工具，可把 PDF 转为结构化格式。两者分工可以是：Vanna 负责「图表建议」这一步，Docling 负责检索资料、核对来源或管理知识库。
工作流步骤
- 明确交付物和验收标准，例如：指出了误导风险。
- 准备输入：一组需要汇报的数据，先去掉敏感信息。
- 在 Vanna 中执行核心步骤（提示词见下文）
- 把结果交给 Docling 做下一步处理，或从 Docling 取得所需材料。
- 人工检查关键事实与格式，记录发现的问题。
- 把这次用到的提示词和设置保存为模板，下次复用。
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。
交接时最容易出问题的地方
- 格式不兼容：两边导入导出的格式提前测试一次。
- 信息丢失：每次交接附上来源和版本号。
- 责任不清：约定哪一步由谁做最终确认。
- 成本叠加：两个工具都可能计费，先估算用量。
如果暂时不想引入第二个工具，也可以先用 DB-GPT 等同类产品替代其中一环，跑通流程后再决定。
补充练习
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。
交付前确认：说明了处理对结论的影响。
写 SQL 查询
准备材料：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。
检查点：说明了口径问题。
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。
检查点：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：口径
指标的定义与计算规则，不同口径会得出不同结论。
适合人群：电商运营
电商运营可以用 Vanna 处理商品详情与主图、活动方案与客服话术等工作。需要注意：商品参数和促销规则必须与后台一致，避免虚假宣传。
适合人群：软件工程师
软件工程师可以用 Vanna 处理代码阅读与重构、测试与排错等工作。需要注意：不要把密钥和未开源代码上传到未授权工具，合并前审阅每处改动。
使用提醒
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。
所有示例输出均为示意，不代表真实统计或效果承诺；请以自己的测试结果为准。