由智譜 AI 的 GLM 基座模型驅動的智譜清言（Zhipu Qingyan），內建了自動化的程式碼解釋器（Code Interpreter）沙盒，能將日常的試算表資料轉化為結構化的數據洞察與可直接用於報告的視覺化圖表。該平台無需使用者自行撰寫 Python 指令稿、設定本機開發環境或掌握複雜的試算表公式，分析師、行銷人員與營運專業人士只需上傳 Excel、CSV 等原始試算表檔案，並以自然語言下達指令即可。透過在預裝了 pandas、numpy、matplotlib 等核心資料科學庫的專用 Python 執行階段環境中安全執行程式碼，智譜清言架起了原始業務記錄與清晰視覺決策之間的橋樑。
理解程式碼解釋器（Code Interpreter）架構
智譜清言內建的程式碼解釋器是一個與智慧語言模型代理（Agent）協同運作的隔離執行環境。當使用者隨試算表提出分析問題時，系統並非單純依賴文字預測來推測答案；相反地，它會將使用者的意圖轉換為可執行的 Python 程式碼，在沙盒虛擬環境中執行該指令稿，擷取標準輸出與產生的圖形，並將經過驗證的結果直接返回至對話串中。
這種架構為商業使用者帶來了數項具體優勢：
- 演算法精確度： 數值計算、聚合運算與統計指標均由 Python 計算完成，而非透過機率性的 Token 生成進行估算，徹底消除了算術幻覺。
- 完備的資料科學技術棧： 執行環境預裝了標準分析庫，包括用於表格資料處理的 pandas、用於數值運算的 numpy，以及用於圖表繪製與視覺渲染的 matplotlib 和 seaborn。
- 雙重產物生成： 沙盒既能產生圖形產物（如對話內高解析度圖表），也能產生結構化試算表檔案，允許使用者下載修改後的工作簿或摘要表。
- 透明的執行記錄： 使用者可以隨時檢視任何回覆背後的 Python 程式碼，驗證資料轉換流程、篩選條件以及數學邏輯。
準備與上傳試算表資料
為確保分析順暢並避免 Python 環境中的剖析錯誤，依照乾淨資料原則準備輸入的試算表至關重要。
支援的檔案格式
智譜清言透過其對話附件介面支援多種結構化資料格式：
- Microsoft Excel 活頁簿（
.xlsx、.xls）： 適合包含多欄、格式化數值和日期欄位的業務報表。 - 逗號分隔與定界符檔案（
.csv、.tsv）： 建議用於從資料庫、客戶關係管理（CRM）系統或企業資源規劃（ERP）平台匯出的較大資料集。 - 直接表格文字： 對於較小的資料片段，使用者可直接將 Markdown 表格或 Tab 分隔的文字貼到對話提示框中。
資料規範化最佳實踐
在將檔案上傳至 Zhipu Qingyan 之前，標準化表格版面元素能將處理摩擦降至最低：
- 單行標題列： 將具描述性的欄標題放置於第一列。避免堆疊或多層級標題，否則在 pandas 中可能需要複雜的多層索引（MultiIndex）處理。
- 取消合併儲存格： Excel 中的合併儲存格在載入標準資料框架（DataFrame）結構時經常導致空值。上傳前建議取消合併並在各列填入完整數值或進行標準化。
- 維持一致的資料類型： 確保各欄包含同質資料。例如，避免在純數值欄中混入貨幣符號或文字註解。
- 資料去識別化與隱私保護： 在將檔案上傳至任何雲端對話介面之前，務必移除或遮蔽個人身分識別資訊（PII）、機密客戶名稱、內部密碼以及敏感財務憑證。
逐步工作流程：從原始資料到視覺化圖表
使用智譜清言的程式碼解釋器進行試算表分析遵循從初步剖析到最終視覺導出的結構化流程。
步驟 1：初步剖析與結構檢查
在對話輸入框中附加試算表後，第一步是建立對資料集架構、維度與潛在異常的理解。
與其立刻要求產出複雜圖表，不如先提示助手進行初步檢查：
「我已上傳我們的季度銷售試算表。請檢查該資料集，顯示總列數與總欄數，列出各欄名稱及其偵測到的資料類型，並檢查是否有任何遺漏值或空值。」
程式碼解釋器會使用 pandas（pd.read_excel() 或 pd.read_csv()）載入檔案，透過 .info() 和 .isnull().sum() 等方法檢查結構，並呈現清楚的概覽。此診斷步驟可確認數值與日期是否已被正確識別。
步驟 2：資料清理與特徵工程
現實中的試算表很少以完美適合分析的狀態呈現。助手可以執行自動化轉換以清理資料並衍生出新的業務指標：
- 處理遺漏記錄： 使用欄中位數、特定類別標記填補空值，或在適當情況下捨棄不完整的記錄。
- 日期標準化： 將不規則的文字日期（如
09/19/26或2026.09.19）轉換為標準 datetime 物件，以支援依時間先後排序與時間序列分組。 - 衍生計算： 產生計算欄位，例如計算毛利率（
(Revenue - Cost) / Revenue）、顧客終生價值，或與目標預算的差異。
此階段的實用提示詞範例：
「請將
Transaction_Date欄整理為標準的 YYYY-MM-DD 格式。如果Discount欄有遺漏值，請填入 0。接著，建立一個名為Net_Revenue的新欄位，計算公式為Gross_Sales * (1 - Discount)。」
步驟 3：統計摘要與聚合分析
資料清理完成後，使用者可透過分組與聚合擷取業務洞察。智譜清言可按需執行樞紐分析表、Group-by 操作與摘要統計。
實用的分析查詢包括：
- 分組聚合： 依地理區域、產品類別或客戶層級計算總和、平均值或中位數指標。
- 排名與篩選： 找出表現最佳的業務代表、利潤率最低的產品或成效不佳的行銷活動。
- 分佈分析： 計算四分位數、標準差，並找出可能扭曲平均值的統計極端值。
範例指令：
「依
Region與Product_Line對記錄進行分組。計算每個組別的總淨營收、平均訂單金額與總交易量。將結果呈現在依總營收降序排列、排版整齊的摘要表中。」
步驟 4：產生視覺化圖表
確立關鍵指標後，即可指示智譜清言產出視覺化呈現。程式碼解釋器會使用 matplotlib 或 seaborn 撰寫繪圖指令稿，繪製圖形，並於對話串中以內嵌形式返回。
選擇合適的圖表類型
| 業務目標 | 建議圖表類型 | 常見指標與維度 |
|---|---|---|
| 跨類別績效比較 | 垂直長條圖或水平長條圖 | 各區域營收、各產品線銷售額 |
| 追蹤隨時間變化的趨勢 | 折線圖或面積圖 | 每月經常性收入（MRR）、每日活躍使用者（DAU） |
| 分析組成與比例 | 環形圖或堆疊長條圖 | 市占率、部門預算分配 |
| 評估關聯性與相關性 | 散佈圖 | 廣告支出與待開發客戶轉換量 |
| 檢視指標分佈與偏態 | 直方圖或盒鬚圖 | 訂單金額分佈、運送耗時變異數 |
| 多維度綜合績效比較 | 熱圖 | 各月份與各區域的銷售表現 |
處理字型排版與版面
自動化 Python 繪圖中常見的挑戰是非拉丁字元的處理以及座標軸標籤擁擠的問題。智譜清言原生設定了字型屬性，確保中英文字元皆能清晰呈現，不會出現方塊亂碼。為了進一步優化圖表外觀，可以在提示詞中明確說明格式偏好：
「製作一張水平長條圖，顯示按
Net_Revenue排序的前 10 大產品。排序長條圖使最高營收顯示在最上方。在每個長條末端加上明確的數值標籤，將 x 軸格式化為貨幣符號，並套用乾淨、專業的企業配色。」
步驟 5：反覆調整與自訂
對話式程式碼解釋器的一大優勢在於能夠反覆調整圖表而無需重新開始：
- 調整配色方案： 「將配色方案切換為適合高階主管簡報的高對比海軍藍與青色主題。」
- 突顯關鍵門檻： 「在月度趨勢圖上加上一條水平紅色虛線，代表我們 50,000 美元的季度目標。」
- 篩選聚焦區域： 「排除『未分類』（Uncategorized）部分，重新產生僅顯示前五大類別的圓餅圖。」
- 微調軸標籤： 「將 x 軸日期標籤旋轉 45 度以免重疊，並移除圖表上方與右側的邊框線以呈現簡約美感。」
步驟 6：匯出成果與處理後的檔案
在分析階段結束時，使用者通常既需要視覺圖表，也需要底層清理後的資料：
- 儲存視覺資產： 產生的圖表可於全解析度下檢視，並透過瀏覽器右鍵選單或下載提示直接另存為圖片檔案（
.png）。 - 下載轉換後的資料： 使用者可以要求智譜清言將修改後的資料集或樞紐摘要重新匯出為檔案格式。
用於檔案產生的範例提示詞：
「請將包含新計算指標的清理後資料集以及區域摘要表分別儲存為名為
Quarterly_Sales_Analysis_Cleaned.xlsx的新 Excel 檔案中的兩個獨立工作表，並提供下載連結。」
助手會在沙盒中執行 df.to_excel()，並提供可點擊的連結以下載完成的試算表。
實用商業情境與提示詞範本
以下範本展示了不同部門的專業人士如何建構與智譜清言程式碼解釋器的互動：
財務表現與預算追蹤
- 情境： 上傳包含各部門預算與實際支出的總帳匯出檔案。
- 提示詞： 「比較各部門的
Actual_Spend與Budget_Allocated。計算絕對差額與變異百分比。繪製雙長條圖顯示各部門的預算與實際支出對比，並以紅色突顯超支超過 10% 的部門。」
電商銷售與庫存監控
- 情境： 上傳來自線上商城的每日訂單匯出資料。
- 提示詞： 「依星期幾彙整總銷售額與訂單量。判斷哪一天的平均訂單金額最高。接著，繪製一張折線與長條組合圖，於主 y 軸顯示每日營收，次 y 軸顯示交易筆數。」
客戶支援與營運效率
- 情境： 上傳包含建立時間戳記、解決時間戳記與滿意度評分的客戶支援工單記錄。
- 提示詞： 「計算每張工單的處理耗時（小時）。篩選排除狀態為『Cancelled』的記錄。建立盒鬚圖呈現不同支援層級之間的解決時間分佈，並摘要各層級的中位數解決時間與第 90 百分位數。」
最佳實踐與操作邊界
為發揮最大效益並維持分析嚴謹度，請牢記以下操作原則：
- 檢視程式碼以確保嚴謹： 務必點擊程式碼檢視開關以審查產生的 Python 指令稿。檢查計算公式可確保篩選邏輯、零值處理與聚合函數符合組織的會計與業務標準。
- 明確指定多工作表檔案： 當上傳包含多個工作表的 Excel 活頁簿時，請於提示詞中指明目標工作表名稱（例如，「讀取名為『Q3_Raw_Data』的工作表」）。
- 留意沙盒資源限制： 雲端執行環境受到記憶體與執行逾時限制。對於數 GB 大小的資料集，建議在上傳前於本機進行預先篩選或聚合，或抽取具代表性的樣本資料列進行探索性視覺化。
- 維持資料治理與合規： 遵循公司資訊安全政策。將公開對話式 AI 執行個體視為外部處理環境，確保專有客戶資料在分析前已完成去識別化或假名化處理。
結合 GLM 模型的自然語言靈活性與 Python 的確定性運算能力，智譜清言讓使用者能避開繁瑣的試算表處理流程，迅速發掘資料規律，並為商業決策產出具說服力的視覺化圖表。