上个月有个做电商运营的朋友甩给我一堆表，说月底对账，几个店铺的订单、退款、佣金混在一起，让我帮忙整出一张干净的净收入表。我一看，行，这不难，AI几分钟的事。
结果我在这上面栽了。
不是算不出来。第一遍很顺，我把表丢给AI，让它写段Python，pandas一跑，数字出来了，看着挺像那么回事。
问题出在第二天——他又补发了两个店的数据，让我按同样口径再算一遍。我重新开了个对话，又让AI写脚本，这回它用的列名理解跟昨天不一样，退款那栏昨天当负数减掉了，今天当正数加上了。
两张表一对，差了小一万。
我当时就坐那儿发懵：到底哪一遍是对的？我自己都说不清。
看着快，其实每一步都在埋雷
后来我复盘，发现"让AI现场写脚本处理Excel"这条路，坑是成串的，而且全都藏在"看起来能跑"的后面。
第一个坑是口径不稳。你每换一个文件、每开一个新对话，AI就重新理解一遍这些列是什么意思。
金额是含税还是不含税、退款算不算、空值当零还是跳过，这些它每次都现场猜。猜对了你以为是本事，猜错了你根本发现不了，因为数字照样跑得出来。
第二个坑是环境爱翻车。 pandas、openpyxl、画图的库，版本一错就报错，换台机器又是一轮折腾。
你花在"让它能跑"上的时间，经常比算数本身还多。
第三个坑最要命——没法续、没法交。活干到一半断了，前面那些中间结果散在聊天窗口里，你没法从断点接着往下。
真要把这个活交给同事或者外包的第二个人，你连"这数到底是怎么来的"都讲不明白。
我盯着那两张对不上的表想了半天，才算想通一件事：这类活真正值钱的地方，压根不是"这次我算出来了"。
客户买的不是一次结果，是一个靠得住的口径
你帮人整理报表，客户表面上要的是一张表。但他真正愿意持续付钱的，是"下个月我再给你新数据，你能用一模一样的规则再算一遍，而且算出来我敢拿去给老板看"。
这就是确定性的价值。一次性算对，是手艺；每次都用同一套口径算对、还能说清楚每个数怎么来的，才是能复购、能涨价、能交接的生意。
我前阵子刷到一个叫dtool的开源小工具，作者的思路一下点醒我了。他做这东西的起因跟我一模一样——拿AI处理Excel，先是把表直接丢给模型，数据一多就装不下；再改成让模型现场写Python，换个文件又是新脚本，口径跟上次未必一致，环境还老翻车。
他趟过的坑，跟我一字不差。
他最后的做法是：别让AI现场写代码算数。先把乱表转成有明确结构的数据集，把列的类型、能不能为空这些讲清楚；真正的计算下推到本地的SQLite里，用SQL来算；AI只负责生成那条SQL，算什么、算出什么由数据库引擎保证。
这里头的分工特别关键。 SQL是声明式的，同一条语句什么时候跑结果都一样，能审计、能复用。
而AI生成的Python，今天这么写明天那么写，结果飘来飘去。把"算"这件事从AI手里拿走、交给确定性的引擎，口径就被钉死了。
AI还在用，但它只干它擅长、也不容易出错的那一步——把你的话翻译成一条查询。
我不是让你去装那个CLI工具，它是面向命令行Agent的。我想说的是这个思路本身，而且这套分工，用VicroCode这类平台能直接落成一个能发链接的东西，比命令行对普通客户友好多了。
把这套思路做成一个能发链接的在线工具
想明白之后，我重新搭了一遍，分三步，每步各管一件事。
第一步，清洗。原始Excel是没规矩的——列名可能重复，有的格子空着，日期一会儿是文本一会儿是数字。
这步我用Python在线运行把乱表读进来，统一列名、处理空值、把金额该转数字的转成数字，输出成一张结构清清楚楚的数据集。注意，这一步Python干的是"整理"，不是"算账"，这两件事一定要分开。
第二步，锁口径。清洗好的数据落进SQLite，我直接拿SQLite编辑器把表结构摊开看——每一列是什么类型、退款那栏到底存的是正是负、哪些行有空值，全都一目了然。
看清楚之后，我把对账的规则写成几条固定的SQL：净收入怎么算、退款怎么减、佣金怎么扣，一条条定死。从这一刻起，口径就不再是AI每次现场猜的东西，而是写在那儿、谁来跑都一样的确定逻辑。
这一步是整个活的命根子。前面那次对不上账，根子就是口径没被固定下来。
现在它被钉在SQL里，下个月来新数据，清洗完往里一灌，同一条SQL一跑，结果必然一致。
第三步，交付。我把前两步包成一个页面：客户上传Excel，后台跑清洗、跑那几条固定SQL，直接出净收入表，还能导出。
做完发布成一个在线工具，甩给客户一个链接，他自己上传自己看结果，不用再来问我。
你体会一下这个变化。之前我是"每个月被叫去手动算一遍"的临时工，现在我是"交付了一个口径稳定的工具、每月收托管费"的供应商。
活还是那个活，但生意的形状完全不一样了。
几个我真觉得值得提前想清楚的点
先说一句实在话：AI在这套流程里被"降级"了，而这恰恰是好事。你别指望它端到端把活全干了，它越想一把梭，口径越飘。
让它只干翻译需求、生成查询这一步，剩下的交给确定性的东西，整个结果反而稳了。这是我这趟最大的反直觉收获——想让AI靠谱，先得少给它活干。
再说交付这件事。能发链接本身就是个被低估的卖点。
你想想资料里那个做口袋百宝集小程序的作者，几十个小工具攒成一个东西持续迭代；客户要的从来不是"你帮我跑一次"，而是"我随时能用"。一个能自助上传、口径固定的在线工具，比你在微信里来回传Excel值钱得多。
还有定价。一次性帮人算表，你只能按次收，还经常因为"再改改"被白嫖。
但一个把口径沉淀下来、能复用能审计的工具，你可以按月收托管、按店铺数量加价、甚至做成同一行业的通用模板卖给好几个客户。确定性能卖钱，一次性手艺卖不动。
当然也得认边界。这套东西适合"反复做同一类汇总、对账、出表"的场景，口径越固定越划算。
它不是BI，没有花哨看板，也不该硬塞进去。活儿要是每次都不一样、规则天天变，那这套"固定口径"的优势就发挥不出来，别硬套。
今天就能做的一个小动作
别急着搭工具。你先翻出手上最近一次帮人处理过的Excel，就盯着其中一列问自己：这列的计算规则，我现在能不能一句话说清楚，让任何人照着都算出同一个数？
如果能，恭喜，把它写成一条SQL，这就是你第一个被钉死的口径。如果说不清，那你就找到了之前对不上账的真正原因——不在AI，在你从没把口径固定下来。
先把这一列理清楚，剩下的，不过是把这个动作重复几遍、再包成一个链接而已。