数据洗干净 · 配方也留下
丢进一份乱糟糟的导出 —— 4 种日期格式、币种混着写、重复行、乱码。你的 Drive 里会出现两个文件：洗干净的表格，以及完成清洗的小段 Python 脚本。下个月数据又来了？自己跑一遍这个脚本就行，或者直接发给工程同学。
看一眼你能拿到什么
第 1 页 / 共 2·清洗后的数据
第 2 页 / 共 2·清洗报告
看沙盒洗数据 · 实时终端
不搞静默黑盒。Agent 在隔离沙盒里跑真 pandas，每一步动了什么、推断了什么、哪些标黄让你拍板，全在眼前。
沙盒 stdout · 实时输出isolated
[02:14:09]▸ pandas.read_csv('crm-export-messy-may.csv', encoding='auto')
[02:14:11]▸ detected encoding: utf-8-sig
[02:14:11]▸ rows: 14,832 · cols: 11
[02:14:12]trimmed whitespace · 412 cells
[02:14:13]normalized currency · $/¥/€ → USD float · 84 cells
[02:14:13]row 1247 日期歧义: '05/06/2024' 可能是 DD/MM 或 MM/DD
[02:14:13]↳ 参考邻行推断为 MM/DD（置信度 87%）
[02:14:14]merged industry variants · FinTech | Fintech | FIN-TECH → Fintech · 23 cells
[02:14:15]parsed dates → ISO YYYY-MM-DD · 4 formats unified · 18 cells
[02:14:16]repaired CP1252→UTF-8 mojibake on accented names · 47 cells
[02:14:17]dropped exact duplicates · 6 rows · logged to dupes_removed
[02:14:18]6 行疑似重复 · 等你复核
[02:14:18]saved: cleaned.xlsx (2.1 MB)
[02:14:18]saved: scripts/crm-cleanup-2026-05.py (3.2 KB)
$
同一条流水线 · 工具调用视角
read_csv编码自动识别
run_pythonclean.py · 7 列归一
run_pythonvalidate.py · 14,832 行
write_xlsx+ Changes sheet
write_python_script保存到 Drive
不仅是干净数据 · 还是下次能用的配方
两个文件落到你的 Drive —— 洗净的 .xlsx，和 Agent 实际写出来做这件事的 Python 脚本。下个月新数据来了再跑一次 —— 规则不变，不再需要 Vecbase。或者直接发给数据工程师。
已存到 Drive
CRM-导出-洗净-2026-05.xlsx
2.1 MB
crm-cleanup-2026-05.py
3.2 KB
下月可重跑
挂个每月 1 号的定时，从 /imports/crm-latest.csv 取数 —— 同一套规则、零干预。
crm-cleanup-2026-05.pyPython
1import pandas as pd
2from rules import INDUSTRY_MAP, REGION_MAP
3
4# 自动生成 · 2026-05-11 02:14 UTC
5df = pd.read_csv("crm-export.csv", encoding="utf-8-sig")
6
7df["arr_usd"] = (
8 df["arr"].str.replace(r"[\$,€¥]", "", regex=True)
9 .str.replace("K", "e3").astype(float)
10)
11
12df = df.assign(
13 industry=df["industry"].str.upper().map(INDUSTRY_MAP),
14 region=df["region"].map(REGION_MAP),
15 last_contact=pd.to_datetime(df["last_contact"], errors="coerce"),
16)
本地运行 · python cleanup.py crm-export-june.csv
它怎么工作
步骤 01
丢进乱糟糟的文件
把 CSV / TSV / Excel / JSON 拖进来。编码、分隔符、表头行、列类型 Agent 自己会判断 —— 哪怕导出工具发挥得很自由也没关系。
步骤 02
告诉 Agent 你眼里的 “干净”
在对话里把规则说清楚 —— "只保留美元"、"小于 500 美元的去掉"、"行业用标准 SIC 列表"、"邮箱为空标出来，别删"。拿不准的 Agent 会先问你，绝不会偷偷扔掉数据。
步骤 03
拿到清洗结果 + 脚本
两个文件落到你的 Drive：洗好的表格，以及一份小段 Python 脚本（`cleanup.py`），随时可以重跑。设成每周自动跑、发给数据工程师、或者下次新数据来时自己再跑一遍都行。
为什么用 Vecbase 做这件事
你眼睛容易跳过的脏，它一眼挑出来
日期格式混搭、数值列里混着币种符号、编码不对导致的乱码、同一个行业三种写法 —— Agent 在动手之前会先把这些都找出来。
给你的不只是文件，还有脚本
每次清洗都会在你 Drive 里留下一份真 Python 脚本。下个月数据来了自己跑就行；想改某条规则，任何编辑器都能打开。第一次跑完之后不用再回 Vecbase 也行。
拿不准的，先问你再动
疑似重复、判断不准、可疑的离群值 —— Agent 都单独放到 "needs review" sheet 里附上上下文给你看，绝不会悄悄删。边界情况由你拍板。
百万行的文件 · 浏览器卡了也没关系
三百万行的导出，浏览器直接卡死。传到这里就跟你的笔记本无关了 —— 真内存、真处理能力，在远端跑。传完就可以走开，回头拿成品。
常见问题
通过上传 UI 是 200 MB。再大的话，先扔到 workspace bucket 里，告诉 Agent 路径即可 —— 它会通过沙盒流式处理。百万行级别是常规操作。