用大模型自动生成数据分析报告，怎么保证里面的数字准确？
面试怎么回答
核心原则是数字不由模型生成：所有数字来自预定义的指标查询或验证过的 SQL，环比同比占比排名用代码算，模型只负责把结构化数据组织成文字。系统上先把报告模板化，定义每部分需要的指标和维度，通过语义层查询保证口径；数据准备阶段代码计算衍生指标，用规则标记异动，做数据产出和范围检查，有问题就停止生成。文字生成时只给结构化数据，数字用占位符由程序填入精确值，结论要能被数据验证。生成后自动检查每个数字都能在数据中找到、涨跌方向一致，核心报告由分析师审核。落地从结构固定的日报周报开始，异动的业务原因先由分析师补充，统计修改量逐步减少人工。
先把这段讲顺；面试官追问时，再展开下面的原理和细节。
详细讲解
每周的经营周报，以前是分析师花一天时间写，现在想用大模型自动生成：取数、分析、写结论。效率是高了，但报告里只要有一个数字错了，整份报告的可信度就没了。面试官问这题，想看你怎么设计一个「数字一定对」的报告生成系统。
核心原则：数字不由模型生成
大模型擅长组织语言、归纳要点，不擅长精确计算和记忆数字。所以：
- 所有数字来自查询：由预定义的指标查询或经过验证的 SQL 计算，结果是结构化的数据；
- 计算由代码完成：环比、同比、占比、排名、差值，都用代码算好，不让模型心算；
- 模型只负责「写」：基于给定的结构化数据，组织成文字。
系统设计
1. 报告模板化
- 定义报告的结构：核心指标概览、分渠道、分品类、异动分析、风险提示；
- 每个部分需要哪些指标、哪些维度，预先定义好；
- 指标通过语义层或指标平台查询，口径统一。
2. 数据准备
- 按模板查询所有需要的数据；
- 代码计算衍生指标（环比、同比、贡献度）；
- 异动检测用规则或统计方法（比如环比超过 ±10% 标记为异动），而不是让模型判断；
- 数据质量检查：数据是否按时产出、关键指标是否在合理范围，有问题就停止生成并告警。
3. 文字生成
- 把结构化的数据（JSON 或表格）交给模型，要求它只能使用给定的数据；
- 数字以占位符或引用的方式出现，最终由程序替换为精确值，避免模型转述时写错（比如把 12.3% 写成 13.2%）；
- 结论性的判断（「增长主要来自 A 渠道」）要能从数据中验证：贡献度最大的确实是 A 渠道。
4. 校验
- 自动检查：报告中出现的每个数字，都能在数据中找到对应值；
- 逻辑检查：描述的方向（上升、下降）和数据一致；
- 人工审核：核心报告在发布前由分析师审核，审核重点从「写」变成「看」。
渐进式落地
- 先从结构固定、指标明确的报告开始（日报、周报）；
- 异动原因分析这种需要业务判断的部分，先由模型列出数据上的发现，由分析师补充业务原因；
- 统计每份报告的修改量和错误数，逐步减少人工介入。