用 Agent 做 Excel 报表自动化:从每月加班到一键生成

用 Agent 做 Excel 报表自动化:从每月加班到一键生成

每月月底,我都要花 3-4 小时做一份销售报表:从系统导出数据 → 打开 Excel → 清洗 → 透视表 → 图表 → 排版 → 发邮件。这份重复劳动,其实完全可以让 Agent 接管。

这期分享我怎么用 Agent 把「月度报表」从手工 3 小时变成一键 10 秒,中间踩了不少坑。

一、先拆:报表生产有哪些环节

复制代码
导出数据 → 数据清洗 → 聚合计算 → 图表生成 → 排版输出 → 邮件发送

逐个分析哪些能自动化:

环节 能不能自动化 谁来干
导出数据 ✅ Agent(调接口/读库)
数据清洗 ✅ Agent(去空/去重/格式统一)
聚合计算 ✅ Agent(透视/分组/汇总)
图表生成 ✅ Agent(matplotlib/openpyxl)
排版输出 ✅ Agent(模板渲染)
邮件发送 ⚠️ 敏感 人确认后手动发(涉及外部发送)

二、数据清洗:Agent 最擅长的脏活

原始数据永远有一堆坑:空行、重复、格式不统一。用 pandas 几行搞定:

python 复制代码
import pandas as pd

df = pd.read_excel("sales_raw.xlsx")
# 清洗
df = df.dropna(subset=["order_id"])          # 去空订单
df = df.drop_duplicates(subset=["order_id"]) # 去重
df["amount"] = pd.to_numeric(df["amount"], errors="coerce")  # 统一数字
# 输出
df.to_excel("sales_clean.xlsx", index=False)

关键 :清洗规则要写死(可解释、可复现),不要每次让 Agent 临场发挥。

三、聚合计算:透视表逻辑

报表的核心是聚合,规则由人定:

python 复制代码
pivot = df.pivot_table(
    index="region",          # 按地区
    columns="month",          # 按月
    values="amount",
    aggfunc="sum",
)

把指标定义清楚(GMV、单量、客单价、环比),Agent 按公式算,不主观发挥。

四、图表 + 排版:模板化

图表不要每次重新设计,固定模板 + 填数据:

python 复制代码
import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(10, 4))
pivot.plot(kind="bar", ax=ax)
ax.set_title("各区域月度销售")
fig.savefig("chart.png", dpi=150, bbox_inches="tight")

模板的好处:

  • 风格统一,领导看着顺眼
  • 换数据就行,不用每次调样式

五、生成最终 Excel(openpyxl)

python 复制代码
from openpyxl import Workbook
from openpyxl.styles import Font, PatternFill

wb = Workbook()
ws = wb.active
ws.append(["区域", "GMV", "同比"])
ws.append(["华东", 123456, "+12.3%"])
# 样式:表头加粗、背景色

注意 :样式(表头、配色、列宽)做一次,以后复用,Agent 每次都套模板。

六、踩坑记录

  1. 公式 vs 值:Agent 直接写死计算值,不写公式。读取方看不到公式,只看到结果,更稳。
  2. 编码:Excel 中文乱码 → 统一 UTF-8。
  3. 数据源权限 :报表数据从系统导出,要用接口/脚本,别用爬虫硬爬页面。
  4. 脱敏 :报表中的客户名/订单号等真实信息绝不落盘、不发外部,只留必要字段。
  5. 别让 Agent 直接发邮件:对外发送一律人工确认(合规)。

七、效果

  • 耗时:每月 3 小时 → 一键 10 秒(清洗+聚合+图表+排版)
  • 准确率:规则固定,无人为遗漏,出错率降为 0
  • 复用:模板固化,换数据源就是改配置

总结

Excel 报表自动化是 Agent 的完美场景:

复制代码
导数据(脚本)→ 清洗(pandas)→ 聚合(规则)→ 图表(模板)→ 排版(模板)→ 人确认发布

一切机械、可重复、有规则的工作都交给 Agent,涉及对外动作(发邮件)永远留给人。 这样每月省下 3 小时,还不背锅。

下一篇(Java 系列收官):接口性能压测与优化实战,从 JMH 到生产瓶颈定位。

相关推荐
MSTcheng.9 小时前
【AI应用实战】用 FastAPI + SSE 做一个自己的 AI 聊天网页:流式输出、多轮对话与完整源码
人工智能·python·大模型·fastapi·sse·ai聊天助手
世冠科技9 小时前
世冠科技GCEAgent重磅发布,开启复杂装备AI原生智能研发新范式
人工智能·科技·ai-native
轻松,带微笑10 小时前
AI竞争进入下半场:微软押注专业模型,通用大模型不再是唯一答案
人工智能·microsoft
哈尔滨张谦蛋10 小时前
兰州大学 · 甘肃省可穿戴装备重点实验室 · 2027年博士招生
人工智能·深度学习
MysTic_Zhong10 小时前
【3】核心引擎:LangGraph 编排与多路召回重排
人工智能·agent
vivo互联网技术10 小时前
研发数字人 Agent:从 0 到 1 的架构与实践
人工智能·agent·mcp
练习两年半的攻城狮10 小时前
企业级 AI Agent 架构知识点讲解(一):从知识型到业务型,从 LangGraph 到生产落地
人工智能·架构
Cosolar10 小时前
从 50ms 到 3 分钟:淘特动线 Agent 如何把 LLM 塞进一个有预算约束的实时系统
人工智能·后端·agent
Cosolar11 小时前
拆开「研发数字人」:一个 Agent 系统真正的护城河,是被结构化的判断力
人工智能·后端·架构