IntentLens：生成图表前先看清指标定义的本地数据分析工具

一张图表为什么会答错问题

图表看起来可能很正确，却在回答一个错误的问题。这是 IntentLens 作者提出的核心观察，也是整个项目的出发点。

开发者用一个简单的例子说明了这个陷阱。假设有两组数据：

• A 组：100 次访问产生 10 次转化 → 转化率 10%
• B 组：10 次访问产生 5 次转化 → 转化率 50%

如果计算整体转化率，结果是 15 / 110 ≈ 13.64%；而如果取两组转化率的平均值，结果却是 30%。两种算法在数学上都成立，但它们回答的是完全不同的问题。

问题在于，大多数分析工具会直接把这种选择隐藏在图表背后。等图表生成出来，使用者往往已经默认了某种聚合逻辑，却没有机会确认这是否符合自己真正想问的问题。IntentLens 想做的，就是把这个选择在图表生成之前显式地摆到台面上。

这个现象在统计学中与「辛普森悖论」（Simpson's Paradox）密切相关——当数据按子组聚合时，整体趋势可能与每个子组内部的趋势完全相反。经典案例来自1973年加州大学伯克利分校的录取数据：整体上看似存在对女性的录取歧视，但逐院系拆分后，大多数院系实际上对女性录取率更高，差异来自女性更倾向于申请竞争激烈的院系。转化率的例子属于同一类陷阱：加权方式不同，结论可以截然相反。这也是为什么「选择聚合方式」不是技术细节，而是分析意图本身的一部分——不同的聚合逻辑对应不同的业务问题，混用会得出看起来合理却在业务上无意义的结论。

IntentLens 在构建什么

IntentLens 是一款本地运行的 Excel/CSV 可视化工作台，它的工作流程被明确拆解为几个步骤：

导入数据 → 描述问题 → 审查方案 → 计算 → 优化 → 导出

这个流程中最关键的环节是「审查方案」。在真正执行计算之前，用户可以检查分组方式（grouping）、聚合逻辑（aggregation）、比率定义（ratio definitions）以及缺失值的处理方式（missing-value handling）。完整版应用还支持图表修订和可复现的导出。

从技术设计上看，IntentLens 有一个值得关注的取舍：模型并不直接生成任意的 Python 或 JavaScript 代码去执行，而是提出声明式的分析方案（declarative analysis plans）。应用会先验证这些方案，再基于数据快照进行计算。这种做法避免了「让大模型随意跑代码」带来的不可控性和安全隐患，也让每一步计算逻辑都可被人工审查。

为什么声明式方案更安全

让 AI 直接执行代码在数据分析场景中并不少见，但风险也很明显——生成的代码可能有副作用、难以复现、也难以在执行前判断对错。IntentLens 用「方案先行、验证后算」的思路，把 AI 的角色限定在「提议分析逻辑」而非「直接操作数据」，这与近期不少 AI 工具强调的可控性方向一致。

声明式（declarative）与命令式（imperative）是两种截然不同的编程范式。命令式代码描述「如何做」——比如一段 Python 脚本逐步操作 DataFrame；声明式代码描述「要什么」——比如「按月份分组、对转化次数求和、除以访问次数得到转化率」。在 AI 生成代码的场景中，命令式脚本的风险在于：模型可能引入文件读写、网络请求或意外的数据修改，且人工审查一段代码的成本远高于审查一份结构化的分析意图描述。声明式方案将 AI 的输出限定为可枚举的操作类型（分组、聚合、过滤等），应用层可以对这些操作进行白名单校验，从根本上隔离了代码执行带来的副作用风险，也使每一步逻辑都能以自然语言向用户解释清楚。

无需安装的在线示例

开发者提供了一个无需安装、注册或 API Key 的英文交互示例，可以直接在浏览器里体验。

建议尝试的一个小任务是：

1. 选择转化率相关的问题
2. 对比「整体转化率」与「月度平均转化率」
3. 生成图表
4. 修改图表标题或排序
5. 下载结果

需要特别说明的是，公开示例使用固定的合成数据和确定性规则，它不会调用 AI，也不接受文件上传。文章开头那个两组数据的例子只是用来解释概念，与示例中实际的 12 条记录数据集是分开的。

这种设计让用户可以在零成本、零风险的情况下先理解「确认指标定义」这一步到底带来了什么价值，再决定是否部署完整版本。

完整本地版本的能力

完整的工作台支持处理用户自己的 Excel/CSV 文件，支持与配置好的大模型进行对话，提供多种图表引擎以及修订历史记录。

开发者还录制了一段英文演示，展示了真实的本地工作流程：上传一个合成 CSV 文件、输入问题、由 DeepSeek^广告 返回分析方案、生成图表，并将计算得到的区域合计值与原始输入数据进行了核对。

不过作者也坦诚说明了当前的局限：这仍是一个开发版本，面向可信任的本地单用户使用场景。模型辅助的方案规划需要 API Key，并且会把字段元数据和统计信息发送给所配置的服务商。换句话说，隐私边界需要用户自己评估——本地计算的是数据本身，但字段结构和统计摘要会离开本地。源代码与安装说明已在 GitHub 开源。

作者在寻求的反馈

这个项目最有意思的地方，是开发者对「确认步骤是否真的值得」保持开放态度。他明确提出想验证：在真实的报表工作流中，这个确认环节究竟是防止了错误，还是只增加了摩擦。

针对经常和电子表格打交道的用户，他抛出了几个具体问题：

• 在你上一份报表中，审查指标定义能否避免一个错误，还是只会拖慢速度？
• 在示例中你在哪一步卡住了？
• 你会改用什么替代方案，那个工作流有什么做得更好的地方？

作者还在招募五位有周期性报表任务的用户，用公开或脱敏数据试用完整版应用。

对于习惯了「AI 一键出图」的用户来说，IntentLens 代表了一种相反的思路：慢一点，先把问题定义清楚，再让机器计算。在 AI 越来越擅长「快速给答案」的当下，这种强调「先对齐问题」的工具，或许正好击中了数据分析中最容易被忽视的痛点。