企业官网建设流程全解析

1. 为什么我会想用Prompt来做数据清洗

先说说我遇到的实际场景。上个月处理一份十几万行的渠道运营数据，字段大概有用户ID、注册时间、活跃时长、付费金额、设备型号这五列，结果打开一看，差点没绷住：注册时间里有"不知道""3月份""去年"这种描述，付费金额列里既有"0元"也有"-5"，还有空着的、写"待定"的，设备型号更是五花八门，什么"iPhone 13 Pro Max""苹果13""iphone13promax"全都有。

传统做法是什么？写一堆pandas脚本，对所有列做value_counts看分布，然后逐个if判断识别异常值。这套流程我做过无数次，最大的问题不是写不出来，而是每换一份数据都要重新写一遍规则。而且规则写得越细，代码越臃肿，动辄一两百行的清洗函数，下个月自己看都觉得头疼。

后来我开始尝试用AI的Prompt来做这件事，思路发生了转变：我不再告诉机器"具体哪一列需要怎么清洗"，而是把数据样例和清洗要求直接扔给大模型，让它帮我标注出缺失值和异常值，我再基于标注结果去处理。这套流程跑顺之后，清洗效率确实提升了一个档次。

这篇文章适合谁看？如果你是数据分析师、数据开发工程师，或者只是偶尔需要处理Excel表格但不想写复杂脚本的同学，下面这套用Prompt做数据清洗的方案都值得你试一下。我不打算只讲概念，而是把完整的Prompt模板、实测结果、踩过的坑都放出来，你可以直接复制修改就能用。

2. Prompt做数据清洗的原理边界：它到底能干什么

先说清楚原理，不然你后面用起来会觉得AI像个黑盒，出了问题也不知道怎么调。

2.1 大模型识别脏数据的本质是语义理解+模式识别

跟传统规则清洗相比，Prompt清洗最核心的差异在于：规则清洗靠的是"程序员预先定义异常模式"，而Prompt清洗靠的是"模型对数据语义的理解"。比如"177岁"这种年龄字段，规则清洗需要你写age > 120才算异常；而大模型看到这个值，结合"年龄"这个字段名和上下文的整体分布，自己就能判断这是一个不合常理的值。

具体到能力边界，我总结下来有三个层次：

• 缺失值识别：这是最容易搞定的。大模型对NULL、NaN、None、空字符串、N/A、"未知"、"待定"、"-"这类缺失值表示方式非常敏感，即使你的数据里有"unknown"这种英文写法，或者"数据暂缺"这种口语化描述，它也能识别出来。
• 异常值标注：分两种情况。一种是业务规则异常，比如性别字段出现"未知生物"、付费金额出现非数值，这种大模型靠常识就能判断。另一种是统计分布异常，比如某天的活跃时长突然是平时的100倍，模型会结合该列的整体分布给出"疑似异常"的标注，而不是简单地一刀切。
• 规则解释与输出：大模型不只是告诉你"这行有问题"，它还能用自然语言解释为什么判定为异常，这个解释对后续的人工复核特别有价值。

2.2 三个绝对不能越过的使用边界

这个我必须放在前面讲，因为你一旦越界，结果会很难收拾。

第一，大模型不能盲目修改数据，只能做标注。你可以让AI输出"第几行第几列缺失"，但绝不能让AI直接给你"填好"的数据。为什么？因为模型的“补全”本质是在猜测，而数据清洗中任何猜测性的补值都必须在人工确认后进行。我见过有人让AI直接补缺失值，结果AI把付费金额缺失的填成了"0"，这完全改变了业务含义——缺失可能是用户没付费，也可能是系统没记录，不能等同处理。

第二，数据量有严格限制。大模型上下文窗口是有限的，我实测下来，单次让AI处理几百行数据效果最好，超过一千行它就容易糊涂，开始编模式、漏标注。所以推荐的做法是抽样让AI标注，或者把数据分片传入，甚至只让AI生成清洗规则，然后你用Python去执行，这在后面会细讲。

第三，不要指望AI一次就做对。Prompt清洗本质是"人机协作"——AI给出标注结果，你审核后再执行。它帮你节省的是理解数据分布、编写识别逻辑的时间，而不是帮你免掉人工复核。这个过程跟带新人很像：你交代任务很清楚，但拿到结果还是得检查一遍。

搞清楚边界之后，下面这两套Prompt模板是我实测下来效果最稳定的方案，一套走缺失值标注，一套走异常值标注，你可以直接拿去用。

3. 缺失值自动标注的完整Prompt方案

缺失值识别看起来简单，但实际执行时最烦人的是"缺失值长得千奇百怪"。有真空的（NULL、NaN、空字符串），有伪空的（"无"、"暂无"、"-"、"unknown"），还有空格符、全角空格之类的视觉陷阱。纯靠代码规则去写，你要穷尽所有情况，累且容易漏。

3.1 设定AI角色：为什么系统提示词这么重要

先放我实测后最稳定的系统提示词：

你是一名资深数据质量分析师。你的任务是根据我提供的表格数据，识别并标注其中所有的缺失值。 你对"缺失值"的定义很宽泛，包括但不限于： 1. 标准空值：NULL、NaN、None、空字符串"" 2. 占位性文本："N/A"、"NA"、"null"、"nan"、"unknown"、"-" 3. 业务语境下的缺失表达："暂无"、"待定"、"未填写"、"未知"、"无"、"不适用"、"缺失"、"数据暂缺" 4. 纯空白文本：全角空格、半角空格、制表符等不可见字符 5. 特殊占位符："?"、"？？？"、"..."、"0000"、"9999" 你绝对不能做的： - 不要将"0"视为缺失值，除非数字0在业务语境下明确表示"无数据" - 不要将正常的业务文本（如设备型号"iPhone-13"）误判为缺失值 - 不要猜测缺失值的原因，只要标注"缺失/疑似缺失"即可 输出格式要求： 1. 以表格形式输出结果，包含：行号、列名、原始值、缺失类型（标准空/占位文本/业务缺失/空白字符） 2. 如果缺失值为0条，输出"未发现缺失值" 3. 输出完结果后，单独列出"标注建议"：给每个缺失值推荐一个处理方向（删除/填充均值/填充特殊值/保留标记）

为什么要把定义写得这么细？因为大模型对"缺失值"的默认理解是"NULL或者NaN"，如果不在提示词里展开定义，它就会漏掉"暂无""待定"这类业务语境下的缺失值。我第一次测试时没展开定义，AI直接把"0元"当成了缺失值，导致误报率特别高。你把这个系统提示词用上之后，识别范围就宽了，而且不会把0误判。

3.2 用户消息里必须带的三类信息

系统提示词设定好之后，用户消息也很关键。我梳理了一个标准模板，每次只用替换占位内容即可：

【待清洗数据】 用户ID,注册时间,活跃时长,付费金额,设备型号 1001,2024-01-15,35.5,68.00,iPhone 13 1002,暂无,12,0,华为P40 1003,2024-02-03,,,"小米12" 1004,2024-02-03,56.8,88.50,荣耀X10 1005,未知,44,120.00,- 1006,2024-03-11,23.6,35.00,Oppo A5 1007,2024-03-12,,45.50,三星S22 1008,2024-03-12,18.4,0,苹果14 1009,2024-04-01,66.6,99.99,一加9 1010,2024-04-05,42.1,202.00,[未知型号]

【标注要求】

1. 请根据系统提示词中的缺失值定义，逐行扫描上述数据
2. 特别注意：某些列使用"空字符串"或空白字符表示无数据，请仔细辨别
3. 对每一行给出标注结果，并说明判断依据

数据样例我给你拆解一下：第2行注册时间是"暂无"，属于业务语境缺失；第3行活跃时长和付费金额都是空的，这是标准空值；第10行设备型号"[未知型号]"是带占位符的缺失表达。你把这样的样本发给AI，它就能按你的定义逐类标注。

3.3 实测输出效果：AI给的缺失值报告长什么样

我跑完之后，AI的输出是这样的（精简版）：

3.4 一个重要提醒：AI建议里的坑

这个输出看着挺好，但你注意第3行的付费金额，AI建议"填充为0需业务确认"——这就是我前面说的AI容易踩的坑。付费金额为空，可能是用户确实没付费，也可能是支付回调没记录，绝不能盲填0。所以我在Prompt里明确加了"不要猜测缺失值的原因"，但实际输出时AI还是会给出一些倾向性建议。我的处理方式是：把AI的标注建议当成"参考方向"，最终填不填、填什么，必须让熟悉业务的人拍板。

这套方案直接解决的是"漏标"和"误标"问题。以前你用代码匹配，写df.isnull()只能识别NaN，业务语境缺失全靠later处理；现在扔给AI，它能把"暂无""未知""-"全给你圈出来，一步到位。

4. 异常值自动标注的完整Prompt方案

异常值标注比缺失值更微妙，因为"异常"的定义高度依赖业务语境。同样是付费金额0，在免费试用业务里是正常的，在付费转化业务里可能就异常；同样是活跃时长600分钟，对看视频的用户可能正常，对办公类App用户就值得怀疑。所以Prompt的设计要分两层：第一层识别违反业务常识的值，第二层识别偏离整体分布的值。

4.1 业务规则异常+统计分布异常的双层提示词

我的做法是把这俩维度写进同一个Prompt，让AI分别标注，打上不同的异常等级标签：

【系统提示词补充】 你是一名资深数据质量分析师，任务是识别并标注表格中的异常值。 异常值分为两类： 1. 业务规则异常（一级异常）：违反业务常识的值。例如： - 负数（订单金额为-5元、温度为-30度时需结合场景判断） - 超出合理范围的值（年龄为200岁、单日活跃时长为1440分钟以上） - 格式错误的值（邮箱不含@、手机号不足11位、日期格式混乱） - 逻辑矛盾的值（注册时间晚于最后登录时间、订购数大于库存数） 2. 统计分布异常（二级异常）：虽然值本身可能合法，但明显偏离该列整体分布。例如： - 数值超出均值加减3个标准差 - 出现频率极低但数值又特别极端的值 - 与同组其他记录的同类字段存在明显不一致的表达（如"iPhone 13"和"苹果13"同时出现） 【标注要求】 - 对每一行数据，如果存在异常，输出：行号、列名、原始值、异常类型（一级异常/二级异常）、异常说明、处理建议 - 如果该行同时存在多个异常，分多条输出 - 如果该行无异常，不输出 - 对于一级异常，明确标注"建议删除或修正"；对于二级异常，标注"建议复核或归一化处理"

这里为什么把异常值分成两级？因为处理方式完全不同。一级异常通常是数据录入错误，比如负数、超范围日期，这种基本可以直接处理；二级异常可能只是表达不规范，比如"iPhone 13"和"苹果13"明明是一个东西，机器却以为是两个值，这种需要归一化而不是删除。混在一类里会让后续处理很纠结，分级之后处理策略就清楚了。

4.2 用一份包含多种异常的实验数据实测跑一遍

我构造了一份实验数据来测这套Prompt：

订单ID,商品名称,订单金额,下单时间,用户ID A001,无线耳机,299,2024-05-10,u_101 A002,手机壳,49.9,2024-05-10,u_102 A003,数据线,-20,2024-05-11,u_103 A004,防晒霜,88,2024-05-12,u_104 A005,（空）,99999,2024-05-13,u_105 A006,键盘,199,2024-05-14,u_102 A007,鼠标,5000,2024-05-15,u_106 A008,显示器,1299,2024-05-16,u_107 A009,机械硬盘,599,2024/5/17,u_108 A010,笔记本,7999,2024-13-01,u_109 A011,显示器,1299,2024-05-16,u_107 A012,鼠标垫,25,2024-05-20,u_110

这里我埋了几个典型异常：A003金额-20元，这是负数异常；A004金额"（空）"和A007金额5000元——一个被填成空文本，一个数值远超整个分布；A005日期"2024/5/17"是格式不一致；A008日期"2024-13-01"月份超界，这是典型的一级异常；A001和A010又是"显示器，1299"的重复数据，虽然在异常值标注里不算异常，但你如果做去重会需要单独处理。

AI的输出结果同样很清晰：

4.3 关于"边界值"处理的一个实操经验

你可能会问：AI标注的二级异常怎么确认？我处理这类值有一个原则——不直接删，而是让AI把"偏离均值多少个标准差"也写出来。你可以在Prompt里加一句："如果该异常值属于统计分布异常，请同时计算该值相对该列均值偏离了几个标准差。"这样你能看到5000元相对65元均值偏离了几十倍，处理起来有数据支撑。

还有一个经验：**越界日期、负数这类一级异常，AI的判断几乎不会出错，可以直接信。但二级异常的判断，AI偶尔会误伤正常值。**比如某产品销量在双11那天暴涨到平时的50倍，这确实是正常的业务高峰，AI却会标记为异常。这类情况需要在Prompt里加一条豁免规则："如果该列的异常值集中出现在某个时间段，且彼此数值相近，视为业务周期波动而非异常。"加了这个之后，误报率明显下降。

5. 「数据样例+标准+约束」三段式：让Prompt稳定输出的核心方法论

如果你把上面两个方案跑通了，会发现一套模板真正稳定下来，靠的不只是提示词长短，而是设计结构。我把这套可复用的方法论拆成三段，以后处理任何数据清洗任务，你照这个思路写Prompt就行。

5.1 第一段：数据样例一定要带真实格式

很多人在Prompt里只写"请清洗以下数据"，然后直接贴一大段原始数据。这样模型缺少对照，容易把清洗标准定偏。正确做法是先给出字段说明和2-3行样例，再贴完整数据。比如：

字段说明： - 用户ID：字符串，唯一标识 - 注册时间：日期类型，格式YYYY-MM-DD - 付费金额：数值类型，单位为元，保留两位小数 - 设备型号：字符串，表示用户手机型号 样例数据： 1001,2024-01-15,68.00,iPhone 13

这样AI就会明白：日期就该是"2024-01-15"这种格式，金额不该出现"-20"，设备型号不该用别名。样例是模型判断所有数据对错的基准线，这个基准线越清晰，标注准确率越高。

5.2 第二段：清洗标准要像技术方案一样明确

不要只写"找出异常值"这种模糊要求，要把"什么是异常"写明白。我常用的分类维度是：

• 格式层：是否符合字段规定的格式
• 语义层：值本身是否违反业务常识
• 分布层：值是否偏离整体分布
• 一致性层：同一实体是否有不同表达（如"iPhone 13"/"苹果13"）

把这四个维度写进Prompt，AI就会在四个层面分别扫描，输出也会有条理得多。我在第4章的Prompt里已经把这四个维度拆进去了，所以输出结果是分类分层的，不会被混在一起。

有一点需要特别强调：约束条件要写在要求的后面，而不是前面。比如你希望AI不要零值如"0"判定为缺失，你要放在"缺失值识别"要求的后面，写"注意：数字0不应判定为缺失值，除非有业务说明"。放在后面之所以效果更好，是因为模型读提示词时对"最后强调的内容"记忆权重更高，这是我做多轮对比测试发现的。

5.3 第三段：给AI规定一个固定的输出格式

这是整套Prompt里最容易被人忽略、却是提升效率最大的一环。如果你不给AI规定输出格式，它可能输出一段长文本，你得肉眼去里面找结果；如果你规定了格式，AI会按你的格式输出表格，你可以直接复制到Excel或者用Python读取。

我最常用的格式约定是：

输出格式要求（严格遵守）： 1. 只输出Markdown表格，不要输出任何额外的解释性文字 2. 表格列为：行号、列名、原始值、问题类型、判断依据、处理建议 3. 如果没有发现问题，输出一行文字"未发现目标问题" 4. 每一行数据最多输出一条标注结果，多条问题合并到"判断依据"列 5. 日期统一使用YYYY-MM-DD格式

第4条之所以重要，是因为AI有时候会针对同一行连续输出好几条标注，跟你要做的清洗动作对不上。合并成一条之后，每条记录对应一个处理动作，执行起来就像查表一样方便。

6. 从Prompt到落地：把AI标注结果跟pandas跑通

Prompt方案单独用，适合小批量数据；但在生产环境里，十几万行的数据怎么靠AI标注？这里我分享一套"AI标规则、脚本跑全量"的组合打法，这也是我后来主要使用的落地方式。

6.1 让AI生成pandas清洗规则的实操流程

当数据量太大，你其实不需要让AI逐行标注，而是换个思路：让AI分析数据样例，生成可复用的pandas清洗代码，你用这份代码去跑全量数据。

具体步骤是这样的：

第一步，抽样切片。从全量数据里抽200-500行，尽量覆盖各种边界情况。你可以用df.sample(500)随机抽，也可以手动拼接一些包含已知异常值的行。

第二步，把样本数据发给AI，Prompt改一下：

请分析以下数据样例，识别可能的缺失值和异常值模式，然后生成一段Python pandas代码： 1. 能够自动标注缺失值（注意识别业务语境缺失和标准空值） 2. 能够标注异常值（分为一级异常和二级异常） 3. 代码中必须包含processed_flag列：normal表示正常，missing表示缺失，abnormal_1表示一级异常，abnormal_2表示二级异常 4. 代码要求使用纯pandas实现，不依赖其他库 5. 最后用print输出标注结果的统计信息

第三步，AI生成的代码示例大概是这个风格：

import pandas as pd import numpy as np df = pd.read_csv("your_data.csv") def flag_missing_values(df): """标注缺失值：标准空值 + 业务语境缺失""" missing_patterns = [None, np.nan, "", " ", "暂无", "未知", "待定", "N/A", "-", "unknown", "null"] df["processed_flag"] = "normal" for col in df.columns: # 标准空值检测 is_std_null = df[col].isnull() | (df[col].astype(str).str.strip() == "") # 业务语境缺失检测 is_biz_null = df[col].astype(str).str.strip().str.lower().isin( [p.lower() for p in ["暂无", "未知", "待定", "N/A", "-", "unknown", "null"]] ) df.loc[is_std_null | is_biz_null, "processed_flag"] = "missing" df.loc[is_std_null | is_biz_null, "异常说明"] = f"{col}列存在缺失值: " + df.loc[ is_std_null | is_biz_null, col ].astype(str) return df def flag_abnormal_values(df, numeric_cols=None): """标注异常值：一级异常（越界/非法值） + 二级异常（统计分布偏离）""" if numeric_cols is None: numeric_cols = df.select_dtypes(include=[np.number]).columns.tolist() for col in numeric_cols: col_series = pd.to_numeric(df[col], errors="coerce") mean_val = col_series.mean() std_val = col_series.std() # 二级异常：偏离均值3个标准差 is_abnormal_2 = (col_series - mean_val).abs() > 3 * std_val df.loc[is_abnormal_2 & (df["processed_flag"] == "normal"), "processed_flag"] = "abnormal_2" df.loc[is_abnormal_2 & (df["processed_flag"] == "normal"), "异常说明"] = ( f"{col}列数值{col}偏离均值超过3个标准差" ) return df df = flag_missing_values(df) df = flag_abnormal_values(df) print(df["processed_flag"].value_counts()) print(df[df["processed_flag"] != "normal"])

第四步，拿AI生成的代码去跑全量数据，抽检结果。这套打法的核心价值是：AI帮你把"规则思维"转化成了"可执行代码"，你只需要审核代码逻辑是否合理，不需要自己从零写。

6.2 人工抽检：确认AI标注结果能放心用

AI生成代码不代表可以直接上生产，抽检是必要的。我一般会做两个动作：

• 随机抽取100条被标注为normal的数据，肉眼复查有没有遗漏的异常值。如果100条里发现超过2条漏标，说明Prompt里的规则还没覆盖这类情况，需要补充规则再跑一次。
• 对被标注为abnormal_1和abnormal_2的数据，每条都比对业务口径。重点看二级异常那批，因为一级异常大多是硬伤，二级异常有误伤可能。

6.3 实测数据：Prompt方案到底比纯手写好在哪里

我拿手头那份十几万行的数据做过一个对比，结果可以参考：

我目前用的就是第三种方案。前两种太受限于上下文长度或规则灵活性，第三种方案把AI的语义理解能力和程序的执行效率做了结合，准确率和效率都可控。

6.4 关于API调用的一个补充建议

全量逐行让AI跑，除了限流问题，成本也不低。我建议在Prompt里加一个"批量处理模式"：

如果数据超过200行，不要逐行输出标注结果。改为输出以下两类内容： 1. 异常值分布统计摘要 2. 建议处理的pandas代码

这样AI就会自动走"规则生成"路线，而不是傻乎乎地逐行标注。对于超大数据集，这是唯一的可行方案。

7. 实测中的坑：prompt闪退、flagged提示、结果不稳定怎么处理

最后这部分，集中分享我在实际操作中遇到的高频问题——你搜索相关热词时也会看到prompt闪退、invalid prompt这类关键词。

7.1 大模型提示"potentially violating usage policies"怎么办

这种情况通常发生在你上传的数据里包含敏感字段，比如身份证号、手机号、邮箱，或者一些外部聊天接口/页面，本身有内容安全机制。如果你的Prompt和数据触发这个提示，不要慌，解决方案是把数据脱敏。

我的经验是：先把真实数据里的敏感列过滤掉，比如把用户ID改成"u_101"这种不关联真实用户的形式。如果你明确知道某列包含个人信息，在Prompt开头先声明：

注意：以下数据已经脱敏处理，不包含真实个人信息。数据中的用户ID为随机值。

这条声明配合脱敏数据，能显著降低触发概率。另有一步：如果数据里的文本有脏词，比如设备型号里带感叹号、表情符号，也会提高风险命中率。我会让AI在标注之前先做一层"数据消毒"——把所有非ASCII符号替换为文本描述再喂给模型。实际测试下来非常管用。

7.2 prompt闪退、长文本截断的规避方案

长文本对话界面闪退，多半是两个原因：一是一次性粘贴的数据太多，超出上下文限制；二是平台的长文本处理不稳定，导致会话中断。

我习惯把数据切分成小份再喂给AI，固定操作是：每次最多500行，或者控制整个Prompt加数据总量在几千字符以内。为了省事，我写了个小程序来做分片：

def split_data_for_ai(df, chunk_size=200): """把DataFrame分片，供AI模型批量处理""" chunks = [] total_chunks = (len(df) + chunk_size - 1) // chunk_size for i in range(total_chunks): chunk = df.iloc[i * chunk_size : (i + 1) * chunk_size] chunks.append(chunk) return chunks

分片之后逐批把数据发给AI，结果集中汇总，这样既不会闪退，也能单批得到准确的标注结果，比一次性丢进去得到的准确率高不少。另一方面，如果你的Prompt特别长，我建议把核心指令放在最前面，样例数据放最后——模型对指令开头和结尾的内容记忆最清晰，中间部分权重会低一些。

7.3 最麻烦的情况：AI标注结果前后不一致

这个问题我碰到很多次。同样的数据，上午跑出来的标注结果和下午跑出来的不一样。这不是玄学，通常是因为你的Prompt里有模糊表述。举个例子，你在Prompt里写"识别不合理的值"，这个"不合理"太模糊了，AI每次理解的语义可能略有差异。

解决办法是模糊表述全部量化。我在第4章已经把"异常值"定义成了"超过均值3个标准差"，这就是一个明确的标准；缺失值我在第3章列出了穷举清单，不让AI自由发挥。标准越明确，结果越稳定。定量描述越细，AI的可发挥空间越小。

还有一个技巧：给AI一个输出顺序约束。比如"按行号从小到大输出""同一列的问题只输出一次"，稳定输出顺序本质上是稳定了模型的工作节奏，结果一致性有明显提升。

7.4 多模型协作的延伸思路

如果你手头有多个AI模型可用，比如有些场景接口不稳定，可以试试多模型搭档：一个模型做数据预分析，生成遗漏值的候选清单；另一个模型做交叉验证，两个结果对齐，只有两边都标记为异常才进入处理清单。这样能把单模型偶尔的"幻觉"因素抑制下来。我在生产环境跑重要数据时，会保留这一步，虽然耗时翻倍，但出错率基本趋近于零。

8. 最后：这套方法我用了几个月的体会

从最开始在聊天网页里粘贴几百行数据让AI标注，到现在用AI生成pandas规则跑全量，这条路我走了几个月。最大的感受是：Prompt清洗解决的不是"会不会写代码"的问题，而是"面对又脏又乱的数据，能不能快速形成清洗思路"的问题。以前拿到脏数据，我得先花一两个小时摸清数据分布，才有可能写出对的清洗规则；现在把样本丢给AI，三分钟内就能看到完整的缺失值和异常值分布报告，再基于这个结果决定怎么处理。

但我也想泼一盆冷水：AI在这个流程里是"聪明的助手"，不是"靠谱的执行者"。它的标注、解释、建议都有参考价值，但必须有人把关。特别是涉及业务语义的判断——这个值到底算不算异常、缺失之后要不要填充、归到哪个分类——这些决策权必须留给人。你越懂业务，Prompt清洗的准确率越高，因为你能在Prompt里把业务规则写得更清楚，也能更敏锐地发现AI标注里的错误。

如果你打算试这套方法，我建议从最简单的场景切入：找一份几百行的脏数据，用第3章和第4章的模板跑一遍，先看AI的标注结果准不准，再决定要不要往pandas落地。等跑顺了，你会发现"让AI看懂我的数据"这件事，比"让AI处理数据"更值钱——因为前者能帮你节约后面无数次的重复劳动。