用 Tukun.ai 分析 Excel / CSV：
上传文件后，直接和数据对话

很多数据分析并不是从数据库开始的，而是从一份 Excel 或 CSV 开始的。

销售明细、订单流水、广告投放报表、库存记录、客户清单、财务台账、问卷结果，这些文件经常出现在聊天窗口、邮件附件和本地文件夹里。数据已经有了，但真正要看懂它，往往还要经历一轮手工操作：打开表格、理解字段、筛选、做透视表、写公式、画图，最后再把结论整理成汇报。

Tukun.ai 想把这个过程变得更直接。

在工作台里，你可以上传 Excel 或 CSV 文件。上传完成后，Tukun.ai 会把文件加入当前对话上下文，自动理解里面的表和字段，然后你就可以像和数据分析同事沟通一样，直接提问。

从输入框旁边的 + 菜单开始

Tukun.ai 的文件上传入口放在工作台输入框旁边。

点击 + 菜单，选择「上传文件」，然后选择本地的 Excel 或 CSV。文件上传完成后，它会加入当前对话，后续问题会默认基于这个文件进行分析。

你可以直接问：

帮我分析这份销售数据的整体情况。

按月份统计销售额、订单数和客单价。

找出异常订单，并说明可能原因。

把分析结果整理成一段适合放进周报的总结。

不需要先建表，不需要写 SQL，也不需要先手动做透视表。

这也是 Tukun.ai 和普通文件问答体验的区别。文件上传后，并不是作为一个附件被简单阅读，而是变成当前工作台里可以持续分析的数据源。

上传后，AI 会自动理解表和字段

真实业务里的 Excel / CSV，字段名往往并不友好。

你可能会看到这样的字段：

dt
uid
cid
amt
gmv
is_refund
pay_time
channel

熟悉业务系统的人知道这些字段是什么意思，但换一个人来看，就需要先花时间理解。

Tukun.ai 在文件上传后，会读取表结构，并自动推导字段类型和字段说明。它会尝试判断：

• 哪些字段是时间
• 哪些字段是金额、数量或比例
• 哪些字段适合做分组维度
• 哪些字段像订单 ID、用户 ID、商品 ID
• 哪些字段可能代表渠道、地区、状态或类别
• 这份数据大概适合回答哪些业务问题

有了这一步，后面的提问会自然很多。你不一定要准确说出字段名，也可以先用业务语言描述问题。

比如你可以问：

帮我看一下收入趋势。

而不是一开始就必须写：

请按 pay_time 聚合 pay_amount。

如果你知道字段的业务含义，也可以补充说明：

pay_amount 是实际支付金额，refund_amount 是退款金额，帮我分析净收入趋势。

这种自动理解表和字段的能力，是 Tukun.ai 作为 Data Agent 的基础。它不是只把问题转成查询，而是先把文件变成可以分析的数据上下文。

不只是查数，而是连续分析

传统 ChatBI 更常见的场景是“问一个数”：

本月销售额是多少？

按渠道统计订单数。

这很有用，但很多业务分析并不是一次查询就结束。

例如你上传了一份渠道投放 CSV，真正想知道的可能是：

哪些渠道花费最高？

哪些渠道 ROI 最低？

高花费低 ROI 的渠道，是转化率低，还是客单价低？

哪些渠道应该继续投入，哪些应该收缩？

把结论整理成运营复盘。

Tukun.ai 更适合这种连续探索。文件会保留在当前对话上下文中，你可以基于上一轮结果继续追问，不需要反复上传，也不需要每次重新解释背景。

这也是 Data Agent 和传统 ChatBI 的一个差别：ChatBI 更偏“查指标”，Data Agent 更偏“完成一段分析任务”。

一个例子：分析一份销售 Excel

假设你上传了一份 2026_Q1_sales.xlsx，里面是第一季度销售订单明细。

你可以先问：

帮我分析这份 Q1 销售数据，先给出整体概览。

Tukun.ai 会先理解文件里的表和字段，比如时间、订单、商品、地区、金额等，然后给出整体情况。

接着你可以继续问：

按月份拆解销售额、订单数和客单价。

再继续：

找出销售额下降最明显的产品，并分析可能原因。

然后：

这些产品在哪些地区下降最明显？

最后：

把上面的分析整理成一段适合放进业务复盘的总结，包含关键发现和建议动作。

整个过程都在同一个工作台里完成。你不需要在 Excel 里反复建透视表，也不需要把数据复制到不同工具之间来回处理。

和直接使用 DeepSeek、OpenAI、Claude 有什么不同？

DeepSeek、OpenAI、Claude 这类大模型已经让很多人看到了 AI 分析数据的可能性。把文件交给 AI，让它解释、总结、分析，确实比过去方便很多。

但在真实工作中，仅有模型能力还不够。

数据分析需要稳定的上下文，需要知道当前引用的是哪个文件，需要理解字段，需要支持连续追问，也需要把文件、数据库、已有数据源放到同一个工作流里。

Tukun.ai 做的是这一层产品化工作：

• 文件上传后会进入当前数据上下文
• 系统会自动推导表结构和字段说明
• 用户可以基于同一个文件连续追问
• Excel / CSV、数据库和已有数据源可以在同一个工作台中使用
• 分析结果可以继续整理成总结、复盘和建议

可以简单理解为：DeepSeek、OpenAI、Claude 代表底层 AI 能力的进步，而 Tukun.ai 关注的是如何把这些能力放进稳定的数据分析工作流里。

和传统 BI / ChatBI 有什么不同？

传统 BI 适合固定报表。指标定义清楚、数据链路稳定、图表长期复用，这些都是 BI 擅长的场景。

但很多日常分析并不是固定报表，而是临时问题：

为什么这个月收入下降？

这批客户里谁更值得跟进？

这个渠道还值得继续投吗？

这份订单表里有没有异常？

这些问题经常从一份 Excel 或 CSV 开始，而且问题会随着分析不断变化。

Tukun.ai 的定位更接近 AI 数据工作台。它支持 ChatBI 式的自然语言查询，但不止于查数。它更强调从文件开始，围绕一个业务问题持续分析，直到形成可以沟通的结论。

适合哪些 Excel / CSV？

Tukun.ai 适合处理常见的结构化表格文件，例如：

• 销售订单明细
• 用户行为数据
• 广告投放报表
• 财务收支流水
• 库存和采购记录
• 客户名单和 CRM 导出
• 问卷调查结果
• 客服工单数据
• 运营日报、周报、月报

只要文件有清晰的表头和结构化记录，就可以上传到 Tukun.ai 里分析。

如果文件里的字段比较业务化，也可以在提问时补充背景：

这份表是我们 4 月的渠道投放数据，cost 是花费，revenue 是收入，帮我分析各渠道 ROI。

Tukun.ai 会结合你补充的业务语义和系统自动推导的字段信息一起分析。

为什么文件分析很重要？

很多企业做 AI 数据分析时，第一反应是连接数据库。但在实际工作中，文件依然是最高频的数据入口。

原因很简单：

• 文件容易获得
• 文件适合临时分析
• 文件经常带着业务上下文
• 文件不需要先走复杂的数据接入流程
• 文件对非技术用户更友好

所以，一个真正可用的 Data Agent，不能只支持数据库，也必须很好地支持 Excel 和 CSV。

Tukun.ai 把上传文件放在输入框旁边，就是希望用户可以用最低成本开始：先上传一份文件，问出第一个问题，再逐步深入分析。

Tukun.ai 的产品优势

用 Tukun.ai 分析 Excel / CSV，核心优势在于：

• 操作路径短：从输入框旁边的 + 菜单直接上传文件。
• 自动理解：系统会推导表、字段类型和字段说明。
• 提问自然：用户可以直接用业务语言提问。
• 支持追问：同一个文件可以在对话中持续分析。
• 结果可用：不仅返回数字，也可以生成总结、复盘和建议。
• 工作台统一：文件、数据库、已有数据源都可以进入同一个分析流程。

这也是 Tukun.ai 和普通 AI 聊天、传统 BI、单纯 ChatBI 工具之间的差异。

FAQ

Tukun.ai 是 ChatBI 吗？

Tukun.ai 支持 ChatBI 式的自然语言查询，但不止于 ChatBI。它更像一个 Data Agent 工作台，可以围绕 Excel、CSV、数据库和已有数据源完成连续分析任务。

上传 Excel / CSV 后需要手动配置字段吗？

通常不需要。Tukun.ai 会自动推导表结构、字段类型和字段说明。你也可以在提问时补充业务含义，让分析更准确。

不会 SQL 可以用吗？

可以。Tukun.ai 的核心交互就是自然语言。你可以直接问：“哪个渠道 ROI 最低？”“哪些客户贡献最高收入？”“帮我找出异常订单。”

它和 DeepSeek、OpenAI、Claude 有什么关系？

DeepSeek、OpenAI、Claude 代表底层大模型能力。Tukun.ai 更关注把 AI 能力产品化到数据分析工作流中，让用户可以稳定地上传文件、理解字段、连续追问和生成业务结论。

总结

Excel 和 CSV 仍然是很多数据工作的起点。过去，我们习惯用 Excel 手工分析，或者把文件导入数据库后再写 SQL。现在，Tukun.ai 提供了一种更直接的方式：上传文件，然后直接和数据对话。

文件上传后，Tukun.ai 会自动理解表和字段，把它加入当前对话上下文。你可以从一个简单问题开始，连续追问，逐步完成探索、拆解、异常发现和总结输出。

如果你手上有一份 Excel 或 CSV，可以从 Tukun.ai 工作台输入框旁边的 + 菜单开始。上传文件，然后问出第一个问题。