chatexcel的空间数据处理能力

别小看表格里那两列经纬度：我让 AI 直接把表变成了空间数据

会聊天不难，难的是把结果变成你能直接打开的文件。

市场部的同事发来一张门店表：21 家门店，字段是「门店名称 / 地址 / 经度 / 纬度」，需求只有一句——"能不能在地图上看一下分布？顺便标上属于哪个大区、谁负责。"

按老办法，这件事得走三步：装一个 GIS 软件、把经纬度导进去、再想办法把另一张"区域-负责人"对照表匹配进来。光是第一步就够劝退一半人，第三步的 VLOOKUP 更是大概率满屏 #N/A。

而这次我一步都没走。全程只有一段对话：把表丢进去，说清楚要什么，然后拿到了一个能直接双击打开的空间数据文件（.shp）、一个配套的属性表，以及一份告诉我"哪几条需要人工复核"的报告。

这篇文章把过程完整拆给你看，顺便聊一个更本质的问题：为什么有的 AI 只能给你建议，有的 AI 能直接交付文件？

· · ·

一、先破一个误区：AI 会不会做事，取决于它手里有没有"工具"

我们都习惯把 AI 当"一个很聪明的脑袋"。但说句实话：大模型本身只会输出文字。

它不会自己打开你的 Excel，不会读你的 PDF，更不会凭空写出一个 .shp。所有"看起来像在干活"的动作，背后都是它在调用工具：

所以判断一个 AI 能不能用进你的业务，别问"它聪不聪明"，问这三个问题：

1. 这件事需要什么工具？

2. 它能不能拿到并正确调用这些工具？

3. 用完以后，它能不能自检结果对不对？

我这次实测的三件事，正好把这三问答完了。

图1：原始表 → 空间数据 → 属性补全，一次对话走完

· · ·

二、第一步：把"两个数字"变成真正的空间数据

我给它的原表长这样

在 Excel 里，这两列就是普通的数字；但在 GIS 的眼里，它们是"坐标"——只要有坐标，点就能落在地图上。

它做的事，比"导出文件"多得多

1. 识别结构：认出哪一列是经度、哪一列是纬度，识别出坐标系（WGS 84）；

2. 建要素：21 条记录 → 21 个点要素，一条不多一条不少；

3. 写标准格式：输出 stores.shp，同时补齐配套的 .shx / .dbf / .prj / .cpg；

4. 额外给一份 `.geojson`：单文件、文本可读，方便临时查看和发人；

5. 回读自检：重新读一遍刚生成的文件，核对要素数与记录数一致、坐标范围落在合理区间。

图2：一份"能用"的空间数据由 5 个文件组成，少一个就可能打不开

这里插一句踩坑提醒：Shapefile 的字段名只能放英文（DBF 的硬约束），所以属性名是 store / city / district / region，中文留在取值里。真正专业的做法，是让它顺手把字段含义写进随附的报告里，而不是丢一堆拼音缩写给你。

落图以后，就是这张点位图——每个点都是一条真实记录，颜色代表大区：

图3：21 家门店一次落图；红色虚线圈出的是属性未匹配、需要人工确认的那一家

还有两个"顺手"的价值

• 空间统计：它同时算出了每个大区的质心坐标、门店数、覆盖面积，并单独输出了一层 region_centroid.shp——大区覆盖范围差多少，一眼看得出；

• 坐标系提示：如果你的坐标是从高德、腾讯地图上抓的，那是 GCJ-02（火星坐标系），直接当 WGS 84 用会整体偏移几百米，在提问里说清楚坐标系，比事后返工便宜得多。

· · ·

三、第二步：比"生成文件"更难的，是把属性补全

空间数据只解决了"在哪儿"。真正卡住人的是"它属于谁管的"。

我手上还有一张对照表：城市、行政区、大区、负责人、城市等级。听起来是两个表的 join，写个 VLOOKUP 就完了？跑一下就知道有多疼：

• 门店表写"上海市浦东新区"，对照表写"上海 / 浦东"；

• 门店表写"陆家嘴环路"，对照表里根本没有"陆家嘴"这个词；

• 地址里连行政区都没有，只剩一个"经济开发区"。

精确匹配（VLOOKUP）本质是在比字符串，而这些差异是"说法"问题，不是"数据"问题。 所以它必须换成语义路线：

图4：抽取 → 归一化 → 打分 → 决策，每一步都能被解释

1. 语义抽取：从自然语言地址里抽出「城市 + 行政区」，而不是硬套正则；

2. 归一化：用别名表把"陆家嘴 / 浦东新区"统一到"浦东"，把"上海市 / 上海"归一；

3. 相似度打分：精确命中记 1.00，同城模糊匹配按相似度给分；

4. 阈值决策：≥0.9 直接写入；<0.9 写入但标记复核；没有候选的留空，不猜。

图5：多出来的"匹配得分 / 处置"两列，是给复核留的把手

最终结果：16 条精确或别名命中，4 条模糊命中并标记，1 条直接转人工——全表没有出现一个 #N/A，也没有一条被"猜着填"。

这一点值得单独说一下：

宁可不填，也不猜着填。 能不能进生产流程，分水岭就在这一条。

因为做对 20 条、错 1 条，你可能还查得出来；但错的那 1 条被"看起来很确定"地填进去，就会一路传到报表和决策里。

· · ·

四、同一套逻辑，换一种数据也一样

空间数据只是这套能力的一个切片。既然能力来自工具调用，那么工具箱里有什么，它就能处理什么：

图6：同一套逻辑，换数据、换工具、换交付物

一些已经能直接用的例子：

• 表格类：清洗、纠错、多表合并、按月拆分、透视汇总、生成可复用的 Excel 公式；

• 地理类：经纬度/地址 → 空间数据、按区域聚合、质心与覆盖范围、区域间距离测算；

• 文档类：从 PDF / Word 里抽取条款、发票、报表字段，再落成一张表；

• 图像类：截图、照片里的表格直接识别成数据，不用手抄；

• 外部数据类：检索并抓取公开数据集，补进你自己的表里；

• 交付类：图表、地图、可视化看板、Word / PDF / PPT 报告、脑图、HTML 页面；

• 计算类：统计、建模、批量处理——需要算的时候写代码算，而不是"估个大概"。

这里的关键变化是：你交付的不再是"一句建议"，而是一个能直接打开的文件。

· · ·

五、边界：什么能交给它，什么不能

越是专业的人，越该清楚工具的边界。我的三条经验：

能交给它的：

• 步骤可拆解、结果可验证的活（生成了 21 个要素？数一下就知道）；

• 需要"重复很多遍"的活（几十张表、几百条地址，正适合）；

• 需要留痕的活（要求它给出处理过程、匹配依据、自检结果）。

不要交给它的：

• 业务口径的判断：含不含退货、哪笔算已确认收入——这些是人的责任；

• 不可验证的结论：没有依据的判断，再流畅也是在赌；

• 涉密数据的合规决策：数据能不能上传、走哪条通道，先问合规。

三个能立刻用上的习惯：

1. 把前提说清楚：坐标系、单位、时间口径、字段含义，一句话交代完；

2. 要过程，也要自检："告诉我你怎么匹配的""回读一遍确认要素数和记录数一致"；

3. 低置信度结果留人复核：让机器把 95% 走完，把 5% 标出来给你看。

关于数据安全，官方口径是：数据在"隔离的云端会话环境"中处理，浏览器是唯一访问路径，全程加密；无操作 20 分钟后数据永久删除，且用户数据不参与大模型训练。数据更敏感的团队，还可以选一体机本地化部署或 AI PC 本地处理，数据不出内网。不确定的，先脱敏再上传。

· · ·

六、怎么开始（附我的专属入口）

如果你想试试"把表变成文件"是什么体验，入口给你：

我的专属入口：https://www.chatexcel.com/workspace/workbenches?commission_id=LINRU2

建议你的第一个实验就挑这种：

我这张表有经度、纬度（WGS 84），请生成空间数据并导出 Shapefile 和 GeoJSON；再按地址补全所属大区和负责人，匹配不确定的单独列出来给我复核。

"给结果 + 给依据 + 标出不确定"——把这三句话说出来，你就已经会用 AI 干活了。

· · ·

写在最后

过去我们评价一个工具，看它功能多不多；现在更该看的是：它的手能伸多长。

一个只会聊天的 AI，再聪明也只能停在"建议"这一层；而一个能调用工具的 AI，可以把表格变成地图、把地址变成空间数据、把一堆散文件变成一份能交付的报告。

你手里那些"看起来没法自动化"的活，很可能只是缺一把合适的扳手。

· · ·

如果这篇文章对你有用：

• 点个 赞 / 在看，让还在手动匹配表格的同事看到；

• 转发给那个每次做区域汇报都要熬夜的人；

• 想直接上手的，点上面的专属入口，或后台回复「表格」。