运营和分析师常有一半时间花在「整理数据」而不是「分析数据」：从不同渠道导出的表格字段命名不统一、日期格式五花八门、同一客户有多种写法、一大堆空值和重复行。更头疼的是「标注」——给几千条评论分类情绪、给上万条工单打优先级，纯手工又慢又累。2026 年，用 AI 智能体把清洗 + 标注做成可复用流水线已经很成熟。这篇教程讲清从「脏表」到「干净可分析资产」的全程。
动手前先告诉 AI 你的数据长什么样、要什么结果。把表格（CSV/Excel）上传，指令写：「这是从三个系统导出的客户表，字段有重叠也有缺失，请先①删完全重复行；②标出疑似重复但信息不全的行让我确认；③列出空值超过 30% 的字段。」AI 比人眼快得多地扫出脏点。关键设定：让 AI 只标注和报告，不直接改原表，你确认后再执行，避免它「好心」把有用的非常规数据也删了。
脏数据的核心问题是同义不同形：日期有「2026/9/1」「09-01-26」「2026年9月1日」，地区有「北京」「北京市」「BJ」。让 AI 做字段归一化：「把日期列统一成 YYYY-MM-DD；把『省/市/区』拆成三列并补全标准名；把金额列的单位统一为元并去掉『约』『大概』等修饰。」这一步是后续能正确分组、排序、聚合的前提。建议分批处理并抽查——曾出现过 AI 把「1.2万」误算成 1.2 元的单位错误，凡是涉及数值换算务必抽检。
清洗完，进入最有价值的「标注」环节。常见场景：① 文本分类——给客服会话标「咨询/投诉/建议」，给评论标「正面/中性/负面」；② 意图识别——给工单标「退款/物流/发票」；③ 实体抽取——从简历里抽「技能/年限/院校」。指令要给标签体系和样例：「请为以下 500 条用户反馈打标签，类别限定在 [功能建议, 体验问题, 价格异议, 竞品对比]，每条只给 1 个主标签 + 1 句理由；拿不准标『其他』。」提供 3-5 个示范样本，AI 的一致性会明显提升。
AI 标注不是 100% 准，必须有质检。做法：① 抽样复核，随机抽 5%-10% 人工核对，算准确率，低于阈值就调指令重标；② 规则兜底，用确定逻辑补 AI 的盲区——比如含「退款」关键词的工单强制标「退款」，不让模型自由发挥；③ 置信度输出，让 AI 对每条标注给个 0-1 置信度，低于 0.7 的单独拎出来人工看。把这套「标→抽→修」跑成循环，标注质量会逐轮收敛。
别每次都重新写指令。把「清洗规则 + 标签体系 + 质检阈值」存成可复用提示词模板或 Agent 工作流（扣子/Coze、n8n 都能编排）：上传新一批数据，自动跑完去重→标准化→标注→质检→导出干净表。进阶：把标注结果接进数据库或看板，做实时分类监控。某电商团队用这套把每日 2 小时的工单预分类压到 10 分钟，人只处理 AI 标「其他/低置信」的那一小撮，精力回到真正要判断的案例上。
技巧：不想写代码也能跑通——把 Excel 直接丢给 Kimi 或豆包（它们支持长表格上传），先发「只做标准化和去重，输出预览前 50 行让我确认再全量执行」，稳扎稳打。量大到单次传不下时，按列或按批次拆，再合并，比硬塞一个超限文件更可靠。
注意：涉及个人信息的字段（手机号、身份证、住址）清洗和标注时，注意脱敏与合规，不要在公网模型里上传未授权的敏感数据，必要时走本地部署模型。AI 的数值换算和长尾分类都可能出错，凡进入决策/对外报表的数据必须人工抽检，不要把「AI 标好的」直接当事实发布。
# AI 数据清洗+标注流水线
输入：脏表(CSV/Excel) + 清洗规则 + 标签体系 + 样例
① 去重去噪：标重复/空值，不改原表，人确认后执行
② 标准化：日期/地区/单位统一，数值换算必抽检
③ 标注：分类/意图/实体抽取，给标签体系+样例+理由
④ 质检：抽样复核 + 规则兜底 + 置信度过滤低分
⑤ 固化：存成模板/Agent，新数据一键复用
# 铁律
AI 只标不改原表 · 数值换算必抽 · 敏感数据本地跑 · 进报表前人工检