数字自己算 AI 只负责解释：Excel 里算好增长率占比，把结果给 AI 做归因

一、为什么必须把"算"和"说"分开

过去两年，把大语言模型接入表格数据的工作流出现了明显的两极分化。一极是"全托管"：把原始数据直接丢给模型，让它既算又写。另一极是"全手工"：分析师自己算完，再自己写结论，AI 完全不参与。前者快但不可靠，后者稳但效率低。真正可持续的中间路线，是把计算和解释切成两个职责清晰的模块。

这个判断不是凭直觉。2023 年以来多项针对大模型数值推理的评测都指向同一结论：模型在纯文本算术上的表现，显著低于它在语义理解与文本组织上的表现。即便在引入了思维链（Chain-of-Thought）之后，多步数值计算的错误率仍然随步骤数快速累积。本文评述：这意味着把"算"交给模型，本质上是在用它的短板去承担最不能出错的任务，而把"说"交给模型，才是用它的长板去承担最需要灵活性的任务。

1.1 一个可复现的对照实验设计

为了把问题说清楚，可以设计一个最小对照实验（以下为模拟数据，用于说明方法论，非真实业务数据）：给同一份含 12 个月营收的表格，分别用两条路径生成"同比增长率"。

对比维度	路径 A：AI 直接算	路径 B：Excel 算 + AI 解释
计算主体	大语言模型	Excel 公式引擎
可复现性	低，同问两次可能不同	高，公式固定即结果固定
审计路径	无法逐格追溯	可点开单元格看公式
错误模式	静默错误，看起来很像对	#DIV/0! 等显式报错
Token 成本	高，需传原始数据	低，只传结果摘要

表格里最值得注意的一行是"错误模式"。Excel 的除零错误会以 #DIV/0! 的形式跳出来，逼你处理；而模型的错误往往以一句流畅、自信、格式正确的句子出现，肉眼几乎无法识别。笔者认为，"错误的可见性"比"错误的概率"更值得关注，因为前者决定了你能否在流程里拦住它。

1.2 成本结构的再平衡

很多人以为"让 AI 全干"更省钱，实际相反。把整张明细表塞进上下文，token 消耗随行数线性增长；而只传一张几十行的结果汇总表，token 消耗几乎恒定。对于按月、按周重复运行的分析任务，这个差异会被放大成数量级的成本差。更关键的是，结果表可以缓存、可以版本化、可以 diff，而模型每次的输出都需要重新校验。

本文评述：把计算留在 Excel，不只是为了准确，更是为了把"可缓存、可 diff、可审计"这三个工程属性还给数据管线。AI 的输出天然是易变的，那么至少让它的输入是稳定的。

二、理论依据：确定性计算与概率性生成的分工边界

要论证这条分工线，需要先厘清两类系统的本质差异。Excel 公式引擎属于确定性系统：给定输入，输出唯一且可复现。大语言模型属于概率性系统：输出是参数与采样共同作用的结果，同输入可能得到不同输出。把两者混在一起用，等于在一根链条里同时引入两种误差传播规律。

2.1 误差传播视角

在数值计算中，误差会随运算步骤累积。如果第一步算错了增长率，后续所有基于它的归因、排名、结论都会连带出错，而且错误会被"解释"包装得更可信。这就是最危险的情形：错误的数字 + 流畅的解释 = 高可信度的错误结论。

反过来，如果数字由确定性引擎产出，那么误差只可能来自数据本身或口径定义，属于"可定位误差"。AI 在这一步只做语义映射，不引入新的数值误差。整条链路的误差来源从"两处"收敛为"一处"，可维护性大幅提升。

2.2 归因任务的本质是语义，不是算术

"为什么这个月华东区营收下滑 8%"——这个问题的答案不藏在算术里，而藏在业务语义里：是渠道结构变化、是价格策略调整、还是季节性因素。模型擅长的是把多个维度的数字变化组织成有因果叙事的段落，而不是把 1,240,000 除以 1,350,000。本文评述：归因的价值在于"连接数字与业务语境"，这正是语言模型的强项，也是它唯一应该被允许发挥的地方。

2.3 与经典分析框架的对接

这套分工并不新。在商业分析里，杜邦分析把 ROE 拆解为利润率、周转率、杠杆率三个确定性指标，再由分析师解读哪个因子主导了变化。这套"先拆解、后解读"的逻辑，与本文主张的"Excel 算、AI 说"完全同构。区别只在于，过去解读靠人，现在解读可以由模型承担一部分初稿工作。

类似地，在数据仓库领域，ETL 层与 BI 展示层长期分离，也是同一思路：转换与计算在下游固化，展示与解读在上游灵活变化。本文评述：把 AI 放在"展示与解读"层，而不是"转换与计算"层，是符合数据工程既有分层惯例的选择，而非新发明。

三、Excel 侧：增长率与占比的工程化计算路径

这一章给出可直接落地的公式与结构。目标不是"能算出来"，而是"算得规范、算得可复用、算得能被机器读取"。

3.1 基础公式与常见陷阱

增长率的标准写法是 =(本期-上期)/上期。看似简单，但有三个高频陷阱：

• 除零问题：上期为 0 或空时，公式报错。建议用 =IFERROR((本期-上期)/上期,"") 兜底，或显式返回 "N/A" 让下游知道该值不可比。
• 负数基数：上期为负时，增长率的符号含义会反转，直接套公式会得出误导性结果。建议对负基数单独标记，不参与排名。
• 口径不一致：本期含税、上期不含税，算出来的增长率毫无意义。口径必须在计算前统一，且写进表头注释。

占比的标准写法是 =分项/SUM(分项区域)。建议把分母放在单独单元格并绝对引用，例如 =B2/$B$10，避免拖动时引用错位。

3.2 用动态数组一次算完

现代 Excel（Microsoft 365）支持动态数组，可以一次性生成整列结果，减少逐格拖拽带来的不一致。例如对 B2:B13 的月度营收计算环比增长率：

=LET(
  cur, B3:B13,
  prev, B2:B12,
  IF(prev=0, "N/A", (cur-prev)/prev)
)

这里用 LET 把中间变量命名，公式可读性显著提升，也便于后续维护。本文评述：可读性不是审美问题，而是审计问题——当半年后有人要核对这个数字时，一个命名清晰的公式能省下大量沟通成本。

3.3 用 Power Query 固化计算逻辑

如果数据每月更新，逐格公式会越来越难维护。更稳的做法是把计算下沉到 Power Query：导入原始表，添加自定义列完成增长率与占比计算，再加载为结果表。这样每次只需替换源文件、点击刷新，全部指标自动重算。

方案	适用场景	维护成本	可审计性
单元格公式	一次性、小规模	低	高，逐格可见
动态数组	中等规模、结构稳定	中	高
Power Query	周期性、多源合并	低（刷新即可）	中，需看步骤面板
LAMBDA 自定义函数	跨文件复用	低	中

3.4 LAMBDA：把口径封装成函数

当同一套口径要在多个文件复用时，可以用 LAMBDA 定义命名函数，例如把"安全增长率"封装为：

=LAMBDA(cur, prev,
  IF(OR(prev=0, prev=""), "N/A", (cur-prev)/prev)
)

命名为 SAFE_GROWTH 后，全公司可以统一调用。本文评述：把口径固化成函数，是把"隐性知识"变成"显性资产"的关键一步。口径一旦可命名、可版本化，AI 归因时引用的口径才有唯一解释。

四、数据整形：从宽表到"AI 友好"长表

算完数字只是第一步。要让 AI 高效归因，还需要把结果整理成它容易理解的形状。人类习惯的宽表（月份在列、指标在行）对模型并不友好，因为列名承载了语义，模型需要额外推理才能对上。

4.1 长表结构

推荐转成"维度-指标-数值"三列长表，每行一个事实。例如：

区域	月份	指标	数值	环比
华东	2025-03	营收	1,240,000	-8.2%
华南	2025-03	营收	980,000	+3.1%
华北	2025-03	营收	1,050,000	+1.4%

（上表为模拟数据，仅用于结构演示。）长表的好处是：模型读到的每一行都是自解释的，不需要猜测列名含义；同时便于按维度筛选后再喂给模型，控制上下文长度。

4.2 用 TEXTJOIN 生成紧凑摘要

如果不想传整张表，可以用公式把关键结果拼成一段紧凑文本，直接粘进提示词。例如：

=TEXTJOIN(CHAR(10), TRUE,
  "区域：" & A2 & "，环比：" & TEXT(D2,"0.0%")
)

这种方式把 token 消耗压到最低，同时保证数字来自单元格而非模型记忆。本文评述："让公式生成提示词"是一个被低估的技巧——它把提示词也纳入了可审计范围，因为提示词里的每个数字都能追溯到具体单元格。

4.3 版本与快照

建议每次运行前把结果表另存为带日期的快照（如 result_2025-04-01.xlsx）。这样当 AI 的归因结论被质疑时，可以精确复现当时的输入。这一步看似繁琐，却是把 AI 输出纳入审计体系的前提。

五、提示词工程：约束式归因模板设计

把结果表交给 AI 之后，提示词的设计直接决定输出质量。核心原则只有一条：把模型能做的事限定在"解释给定数字"，把不能做的事明确排除。

5.1 模板结构

一个可复用的归因提示词应包含四段：角色与任务、数据块、约束条件、输出格式。

【角色】
你是一名商业分析师，负责解读已计算好的指标结果。

【数据】
以下数字由 Excel 计算得出，是唯一事实来源：
区域：华东，环比：-8.2%
区域：华南，环比：+3.1%
区域：华北，环比：+1.4%

【约束】
1. 只能使用上述数字，禁止自行计算或推算任何新数字。
2. 若信息不足以判断原因，明确写"数据不足以判断"。
3. 不要编造业务事件，如需假设请标注"假设："。
4. 每个结论必须引用具体数字作为依据。

【输出格式】
- 总体判断（2 句以内）
- 分区域解读（每区 1-2 句）
- 待确认事项（列表）

本文评述：约束条件里的第 1 条和第 3 条是最关键的。前者切断模型"顺手算一下"的冲动，后者把不可避免的推测显性化，让读者知道哪些是事实、哪些是假设。

5.2 为什么"禁止计算"要写进提示词

模型有强烈的"补全"倾向。当你给它一组不完整的数字，它倾向于推算出缺失的部分，让叙事更完整。这种倾向在写作里是优点，在数据分析里是风险。显式禁止计算，能显著降低这类越界行为的发生率。本文评述：提示词的本质是接口契约，约束写得越明确，下游校验的成本越低。

5.3 结构化输出与机器校验

如果归因结果要进入下游系统，建议要求模型输出 JSON 而非自由文本，便于程序化校验数字一致性。例如要求每个结论附带 evidence 字段，列出引用的数字。这样可以用脚本自动比对：结论里出现的数字是否都在输入数据里。

六、验证机制：如何防止 AI 编造数字

即便提示词写得再严，也需要一层事后校验。这一章给出三种成本递增、可靠性递增的校验方案。

6.1 数字白名单比对

最轻量的做法：用正则从 AI 输出里抽出所有数字，与输入数据里的数字集合比对。凡是输入里没有的数字，一律标记为"可疑"。这个方法会误报（比如模型说"三个方面"，"三"不在数据里），但能拦住绝大多数编造的关键指标。

6.2 二次提问交叉验证

把 AI 的归因结论单独拿出来，再问一次："以下结论中引用的数字，是否都能在给定数据中找到？请逐条核对。"这种自我核对能发现一部分不一致，但不能完全依赖，因为模型可能在两次回答里犯同样的错。

6.3 规则引擎兜底

最可靠的做法是把关键结论的判定逻辑写成 Excel 规则，让 AI 只负责措辞。例如"是否下滑"由公式 =IF(环比<0,"下滑","增长") 判定，AI 只把这个判定翻译成自然语言。本文评述：把"判断"和"表达"也分开，是这套方法论的自然延伸——判断用规则，表达用模型。

校验方案	实现成本	拦截能力	适用场景
数字白名单	低	中	日常报告
二次提问	低	低-中	初稿筛查
规则引擎	中	高	对外披露、合规场景

七、实战案例：一份月度经营分析的全流程

下面把前面各章串成一条完整流水线。场景：某零售企业每月需要产出区域营收分析。以下数据均为模拟数据，用于演示流程。

7.1 步骤一：原始数据入表

把各区域月度营收导入 Excel，保持一维结构：区域、月份、营收三列。避免合并单元格，避免多表头。

7.2 步骤二：Power Query 计算指标

在 Power Query 中按区域分组、按月份排序，添加自定义列计算环比与占比。加载为结果表。

7.3 步骤三：生成提示词

用 TEXTJOIN 把结果表拼成文本块，套入第五章的模板。

7.4 步骤四：调用模型并校验

把提示词发给模型，拿到归因初稿，再用数字白名单脚本跑一遍校验，人工复核"待确认事项"。

7.5 步骤五：归档

把结果表快照、提示词、模型输出、校验记录一并归档，形成可追溯的分析链路。

本文评述：这条流水线的价值不在于"用了 AI"，而在于每一步都可复现。当结论被质疑时，你能拿出公式、拿出快照、拿出校验记录，而不是一句"模型说的"。

八、前沿趋势与学术预判

这条分工线并非静态。近两年出现了几个值得关注的方向，它们可能改变"算"与"说"的边界位置。

8.1 工具调用让模型"会算但仍不算"

函数调用（Function Calling）与代码解释器让模型可以调用外部计算工具，而不是自己心算。这实际上是在模型内部复现了本文主张的分工：模型负责决定"算什么"，工具负责"算出来"。本文评述：工具调用不是对分工的否定，而是把分工搬进了模型内部。对工程实践而言，Excel 仍然可以充当那个"工具"，因为它可审计、可版本化。

8.2 语义层与指标平台的兴起

dbt、MetricFlow 等工具推动的"语义层"理念，与本文思路高度一致：指标定义集中管理，消费端只做展示与解读。当语义层成熟后，AI 归因的输入将不再是 Excel 表，而是语义层暴露的标准化指标接口。

8.3 可验证计算与形式化方法

学术界在探索让模型的推理过程可验证，例如把自然语言结论映射回形式化约束再检查。这类方法目前成本较高，但在金融、医疗等强合规场景已有试点。本文评述：长期看，"AI 输出可验证"会从加分项变成必选项，而本文主张的"数字来自确定性引擎"正是最朴素的一种可验证设计。

8.4 多智能体归因

另一个方向是用多个角色分工：一个负责读数据、一个负责提假设、一个负责反驳。这种"辩论式"归因能提高结论稳健性，但也放大了 token 成本与不可控性。本文评述：在可审计性要求高的场景，多智能体应谨慎引入，除非每一步都有日志与校验。

九、风险清单与合规要点

• 口径漂移：公式改了但提示词没改，导致解释与数字脱节。建议口径变更走版本记录。
• 数据泄露：把含敏感信息的明细传给外部模型。建议只传聚合结果，必要时脱敏。
• 过度信任：读者看到流畅文字就默认正确。建议在报告里显式标注"数字来源：Excel 计算；解释：AI 生成，已校验"。
• 责任归属：对外披露的结论必须有真人签字，AI 输出只能作为初稿。
• 模型版本变化：同一提示词在不同版本模型上输出可能不同，建议固定模型版本或记录版本号。

十、结论与行动清单

本文的核心主张可以浓缩成一句话：让确定性系统做确定性的事，让概率性系统做概率性的事。Excel 负责算，AI 负责说，中间用结构化结果表连接，用校验机制兜底。

如果你打算明天就开始，可以按这个顺序落地：

1. 把现有分析里的增长率、占比公式统一成 SAFE_GROWTH 之类的命名函数。
2. 把结果整理成长表，用 TEXTJOIN 生成提示词文本。
3. 套用第五章的约束式提示词模板，跑一次归因。
4. 加一个数字白名单校验脚本，哪怕只是简单的正则。
5. 建立快照归档习惯，每次运行留一份带日期的结果表。

这五步做完，你就拥有了一条可复现、可审计、可扩展的分析流水线。它的价值不在于用了多新的模型，而在于把不确定性关进了可控的笼子里。

十一、参考文献与延伸资源