先交代一下背景吧。我们团队最近在搞一个老项目的文档迁移，就是那种几百个Excel表格要转成统一格式的Markdown文件，然后把里面的人名、日期、金额这些字段重新整理一遍。以前干这活儿至少要两个人对着一周，而且还得盯着屏幕看到眼睛冒血丝。今天下午我实在不想手动复制粘贴了，就想着能不能让AI来干。
我用的工具是Claude 3.5 Sonnet，配合Python写了个脚本。一开始我挺乐观的，觉得直接把Excel丢给AI就完事了。结果发现这玩意儿没我想的那么简单。第一个坑就是编码问题，那批Excel文件是GBK编码的，我直接pandas.read_excel()报错了，报错信息是”UnicodeDecodeError: ‘utf-8’ codec can’t decode byte 0xc0″。后来加了个encoding=’gbk’的参数才搞定。这一步就浪费了我20分钟，期间我还骂了一句”微软你他妈搞什么GBK”。
数据读进来之后，真正的痛苦才开始。每个Excel的列名都不一样，有的叫”客户名称”，有的叫”客户姓名”，还有的叫”客户名”、”名称”、”姓名”……一共十几种变体。手动写规则映射的话，光这一项就得写几十行if else，而且肯定有漏掉的。我直接把这堆列名扔给Claude，让它帮我识别哪些列是同一个字段。我给的prompt大概是这样的：”以下是一批Excel表格的列名列表，请你根据语义判断哪些列属于同一字段（比如客户名称、客户姓名都是同一字段），输出一个映射关系字典。” 结果它真的给我列了一张表，把”日期”、”时间”、”发生日期”、”业务日期”这些都归到”业务日期”字段下面了。我拿着这张映射表写了个函数，一行代码替换就完事了。
数据清洗这块也让我头疼。那些老Excel里面，日期格式五花八门，有”2024/01/15″、”2024-01-15″、”2024.01.15″、”20240115″、”15/01/2024″这种，甚至还有”2024年1月15日”的。金额字段更离谱，有的带逗号分隔，有的带”元”字，有的干脆是中文大写”壹万贰仟叁佰肆拾伍元陆角柒分”。手动处理这些数据我去年干过一次，干到第三天的时候差点把电脑砸了。这次我让AI帮我写了一个数据清洗函数，用了正则表达式加日期解析库，基本上20行代码就搞定了所有格式。当然不是一次成功的，中间报过几次错，比如有一个日期字段里混入了”2024/02/30″这种根本不存在的数据——2月哪来的30号，这Excel谁填的给我站出来。好在AI很快帮我加了个异常处理，把这些坏数据单独提出来写进一个错误日志文件里，我后续手动补一下就行。
最有意思的是处理那些备注字段里的非结构化文本。比如有一列叫”备注”，里面有人写”客户说下周付款但不确定”，有人写”已催三次无回应”，还有人写”发票已开，待签收”。我需要把这些内容分类到”催收状态”、”发票状态”、”客户反馈”这几个维度里。这个要是让我自己写规则，我估计写到明天早上都搞不定。我直接把所有备注文本倒进Claude的context里，让它帮我做分类。最开始我用了zero-shot classification，效果一般，后来换了个思路：先让它从所有文本里归纳出一些常见模式，然后根据这些模式生成分类规则，再执行分类。这样准确率从70%左右提到了90%以上。剩下的那些模糊的、模棱两可的文本，我直接标记成”需要人工复核”，也没有强求AI百分之百准确。
整个过程从下午两点干到五点半，三个半小时。中间还遇到了一个坑：Claude的API有速率限制，我一次性丢太多数据过去，返回了一个429 Too Many Requests。后来改成每批处理50条，加了个time.sleep(1)，就好了。还有就是内存问题，我那个破笔记本只有16G内存，处理300多个Excel文件的时候，pandas直接OOM了。后来改成逐文件读取逐文件写入，不把全部数据加载到内存里，才跑通。这种低端问题真的要命，但AI没法帮你解决你电脑配置烂的问题。
最终结果呢？原来要一周的活儿，今天下午搞定了。生成了统一的Markdown文件，每个文件都按规范命了名，字段也整齐划一。我还让AI帮我写了个脚本，自动对比源数据和目标数据的数据量，确保没有遗漏。跑完之后发现有一个文件夹里的文件数量对不上，排查了一下，原来是那个文件夹下面有一个隐藏的.DS_Store文件被当成了Excel文件处理，导致计数不对。这种错误又蠢又真实，改了个过滤条件就解决了。
说真的，干完那一刻我靠在椅子上发了五分钟呆。不是因为累，是因为我在想：以前那些靠手动操作加班到凌晨的日子，到底有多少是真正必要的？我不是说AI能替代所有工作，它今天也犯了不少低级错误，比如把”王小明”识别成了”王小明先生”，把”壹佰元整”识别成”100元整”但小数点位置搞错了。这些我都得手动校对一遍。但问题在于，它帮我省掉了那些最枯燥、最重复、最让人想死的那部分——数据搬运、格式转换、字段对齐。我只需要做决策和检查就够了。
明天我打算继续优化一下这个流程，把那个错误率降到更低。不过说实话，就算保持现在这个水平，我也已经很满意了。毕竟以前那种”复制粘贴一整天，下班回家眼冒金星”的日子，我是真的不想再过第二次了。
好了，该去吃晚饭了。今天心情不错，奖励自己一份红烧肉。