给大家分享一个大模型分析工作流，从取数到出报告全自动
日常我做月度经营分析报告的时候基本都在2-3个小时左右，取数四十分钟，清洗半小时，画图二十分钟，写分析文字一个小时。数据计算对我们来说得心应手，但怎么把一堆数字变成领导们看得懂的结论，才是最费脑子的事。
取数和清洗Python自动化可以精确处理了，那能不能把"写结论"这步也交给大模型？
我试了一段时间基本搭出来了，今天给大家分享一下简单的流程
整体思路：三步搞定
工作流分三步：
第一步，Python连数据库自动取数，存成DataFrame。
第二步，pandas做基础清洗和聚合，算出核心指标。
第三步，把指标喂给大模型API，让它生成分析文字，拼成完整报告。
说白了，前两步是我们做数据分析师的老本行，第三步是把大模型当"实习生"用，它不会判断对错，但能把数据翻译成人话，然后我们在他的基础上进行二次总结。
第一步：自动取数
用Python连MySQL，执行写好的SQL，拿到的数据直接进DataFrame：
import pandas as pd
import pymysql
def fetch_data(sql):
conn = pymysql.connect(
host='127.0.0.1',
user='root',
password='your_pwd',
database='shop_db',
charset='utf8mb4'
)
df = pd.read_sql(sql, conn)
conn.close()
return df
# 月度销售汇总
sql = """
SELECT
DATE_FORMAT(order_time, '%Y-%m') as month,
COUNT(*) as order_cnt,
SUM(amount) as total_sales,
COUNT(DISTINCT user_id) as user_cnt
FROM orders
WHERE order_time >= '2026-01-01'
GROUP BY DATE_FORMAT(order_time, '%Y-%m')
ORDER BY month
"""
df = fetch_data(sql)
print(df)
代码很简单，按大家日常的取数标准走就行。
第二步：清洗+算指标
拿到原始数据后，算环比同比这些核心指标：
def calc_metrics(df):
df['sales_mom'] = df['total_sales'].pct_change()
df['sales_yoy'] = df['total_sales'].pct_change(periods=12)
df['avg_order'] = df['total_sales'] / df['order_cnt']
return df
df = calc_metrics(df)
pct_change算环比，periods=12算同比，客单价用总销售额除以订单数。
数据已经OK了，但领导不会看DataFrame的，他们想看的是"本月销售XX万，环比**%，同比**%，***原因"这种文字。
第三步：调大模型生成分析
把算好的指标拼成一段prompt，调API让它写分析：
import requests
import json
def generate_report(df):
# 把DataFrame转成文字描述
latest = df.iloc[-1]
prev = df.iloc[-2]
data_summary = f"""
本月数据：
- 月份：{latest['month']}
- 总销售额：{latest['total_sales']:.0f}元
- 订单数：{latest['order_cnt']}
- 客单价：{latest['avg_order']:.1f}元
- 环比变化：{latest['sales_mom']:.1%}
- 活跃用户：{latest['user_cnt']}人
上月数据：
- 总销售额：{prev['total_sales']:.0f}元
- 订单数：{prev['order_cnt']}
- 活跃用户：{prev['user_cnt']}人
"""
prompt = f"""你是数据分析师，根据以下数据写一段经营分析，
200字以内，包括：关键指标变化、可能的原因分析、下一步建议。
用口语化的风格，不要用专业术语堆砌。
{data_summary}
"""
resp = requests.post(
"https://api.example.com/v1/chat/completions",
headers={"Authorization": "Bearer your_api_key"},
json={
"model": "gpt-4o-mini",
"messages": [{"role": "user", "content": prompt}],
"temperature": 0.3
}
)
result = resp.json()
return result['choices'][0]['message']['content']
report_text = generate_report(df)
print(report_text)
temperature设0.3，不要它发挥创意，老老实实看数据说话就行。
拼成完整报告
最后一步，把数据和文字拼到一起，存成文件：
def build_report(df, analysis_text):
report = f"""
=== 月度经营分析报告 ===
一、核心指标
{df[['month','total_sales','order_cnt','avg_order','sales_mom']].to_string(index=False)}
二、分析与建议
{analysis_text}
三、数据来源：shop_db.orders
生成时间：{pd.Timestamp.now().strftime('%Y-%m-%d %H:%M')}
"""
with open('/tmp/monthly_report.txt', 'w') as f:
f.write(report)
print("报告已生成: /tmp/monthly_report.txt")
build_report(df, report_text)
跑完之后，/tmp目录下就多了一个报告文件。从取数到出报告，全程不到30秒。
三个坑，警惕
第一个坑，prompt别写太长，我一开始把整张表的数据全塞进去，输出结果乱七八糟的，后来精简到只给当月和上月的关键指标，效果反而好很多。
第二个坑，temperature别调太高，建议0.3到0.5之间，超过0.7它就开始"创作"了，结果就完全跑偏了。
第三个坑，大模型写的分析必须人工过一遍，它只是个刚入门的实习生，会算错百分比，会把"下降"写成"上升"，各种各样的错误。可以让它先出初稿，你再花几分钟检查数据和结论，确认无误后，再发出去。
大模型在这个工作流里的角色就是个"实习生"。你可以让它把重复的文字活儿干了，但最终的判断和决策必须你自己来。整个过程省下来的时间，你就可以多想想下一个层面的问题：这些数字变化背后的业务逻辑是什么，下个月该怎么调整。
这才是分析师该干的活。
最后再强调一句，千万别直接引用相信AI的结论，我见了太多的胡诌乱扯了，它出了错给你道个歉就行了，你拿它能咋样？但你在领导那边可是要担责的......
