AI编程热潮下的报表开发探索

AI 编程浪潮正以前所未有的势头重塑着软件开发工作的格局

从 GitHub Copilot 到 Cursor 再到专业 AI 编程大模型，从代码自动补全到单元测试一键生成，再到遗留代码的智能解读——越来越多的开发任务在 AI 工具的协助下，效率得到了前所未有的提升

然而，这场轰轰烈烈的变革，似乎却遗忘了同属开发任务的报表开发

当业务代码的编写效率翻倍增长时，报表开发者们仍然在手动拖拽单元格、手写复杂表达式、反复调整格式、逐条排查参数模板，AI 编程带来的红利，似乎在这里被一道无形的墙挡住了

市面上的厂商也确实有在搞 AI+ 数据，但基本上都在卷 ChatBI：让业务用户用自然语言查询分析数据，系统自动出图表，这场景很酷，也很有用，但这和应用中占绝大部分工作量的固定报表没有关系

不过，也有一些报表厂商在这个方向上做了一些非常务实的探索，专业的老牌报表工具润乾报表就把 AI 实实在在地嵌入了报表开发的具体环节了

下面就看几个典型场景，感受一下润乾报表是如何利用 AI 技术来优化报表开发：

传统报表工具用起来并不轻松，尤其是做中国式复杂报表的时候——数据集怎么建？格子怎么扩展？分组、汇总条件在哪设置？同环比用哪些函数？怎么做不规则分组，每一步都要在单元格里输入，查找高级函数的用法，或者到菜单和面板里翻找各种属性和设置，这是传统的GUI（图形用户界面）模式

润乾的做法是给报表工具装上一个“AI Copilot”：你直接用大白话告诉它需求， AI 就能自动生成报表，省去了很多操作的过程，进化到了全新的LUI（语言用户界面）模式

开发者不再需要思考“这个功能在哪个菜单里”，只需说出：

“生成报表 左表头 地区、城市 上表头 产品类别”

不再需要记忆“层次坐标的语法怎么写”，只需告诉它：

“C3 组内降序排名”

不再需要逐格检查样式是否统一，只需指令：

“选中所有金额小于 1000 的单元格 红色加粗”

示例展示：

想把日期数据按上面这样一段一段的统计，2022 圣诞前…….2024 五一以后

原本做这样的统计会很麻烦，需要熟记或者查阅函数用法，然后手写表达式，现在一句话就做出来了

设计器中点击汉语输入框，输入自然语言命令

把订购日期的数据 按这三个时间节点 2022-12-25,2023-10-1,2024-5-1 分段显示

然后就自动生成上面的报表了

从 GUI 到 LUI 的进化，意味着你只需要说句话，报表就做好了，从“如何操作”到“要什么结果”，人机交互的逻辑被彻底翻转，这种转变，正是 AI 时代工具进化的本质方向

过去业界常说润乾报表上手偏难，因为它定位是熟手的高效工具，新手学习曲线确实陡一些，但引入 AI Copilot 后，这个情况就不存在了，润乾报表跳过了各种对话框引导操作的阶段直接进入了 AI 自然语言生成报表的时代了

更多自然语言做表实例请参考： 从 GUI 到 LUI 的进化，报表工具也有了 Copilot

AI 写 HTML 页面相当擅长，特别是图形，那么报表开发中是否可以利用这个优势呢？

报表里经常要加图表，润乾报表本身支持各类常见统计图的展示，而且设置也很简单，基本都是设置一下横纵坐标就可以

但像 K 线图、地图、桑基图、关系图这种高级图表，以前只能手写 ECharts——而 ECharts 的配置项又多又细，查文档、调样式、试参数，一搞就是半天

现在，可以让 AI 来干这个累活

分三步：

1、 在润乾报表中设置 ECharts 所需的参数（标题、数据等），并通过“参数数据导出”功能将参数数据复制到 AI 编程环

2、 AI 编程工具基于参数数据生成图形 JS 脚本

3、 将生成的脚本复制回润乾报表的 ECharts 脚本定义中，展现图表

示例展示：

在 AI 编程工具中输入如下命令

然后得到如下 JS 代码

然后把 AI 生成的代码贴到润乾报表里，K 线图就出来了

程序员只要用自然语言描述想要的图表和要求，AI 就能自动生成完整的 ECharts 配置代码，并嵌入到报表中

不需要精通 ECharts，不需要反复调试坐标轴、图例、颜色——这些原本最费人工的工作，AI 全包了

完整示例请参考： 用 AI 编程生成 ECharts 图表并嵌入润乾报表的实践

除了提效开发外，润乾报表还为报表的使用人员提供了便利

报表做好以后，用户按条件筛选数据是一个很常见的场景，比如

网银查账单，想查一下最近三个月的大额支出；

人力资源系统，想查一下一季度技术部迟到和加班情况；

地铁票务系统，想查一下 6 号线所有站上午 9 点到 12 点的进站刷卡情况；

物流系统，想查一下上周发往华北的订单情况

这些任务通常要借助参数模板来填写条件，这没问题，能胜任这种常见场景，但也有些不便之处：参数一多，模板就容易变得臃肿且不够灵活，而且输入不快，比如上面提到的这些场景，就需要点很多个数据筛选框才能选出来

如果这些筛选支持自然语言，那就会简单，方便很多

ChatBI 并没有涉及这个事情，它能让业务人员自己做报表，但不能对做好的表做灵活筛选

润乾报表和一线用户接触很多，感受到了这个场景的刚需和困难，所以引入了自然语言筛选：用户直接在报表界面上输入自然语言就可以筛选出准确的数据了

示例展示：

在报表页面点击汉语图标，输入命令“查询上周发货到华北的订单”

AI 就会解析筛选意图，动态生成过滤条件并刷新数据，不需要挨个控件设置条件，筛什么用户自己说就行

这其实还原了人最原始也是最高效的交互方式——我说，你懂，你做到，业务人员再也不用在一排下拉框里小心翼翼地点选了，技术人员也不用总改参数了

更多自然语言筛选数据的实例请参考： 如何用自然语言筛选报表数据

进一步，是不是能让业务用户利用 AI 自己做个报表出来？这不仅能提升用户体验，还能解放开发工程师

当然可以，这也是 ChatBI 的主阵地，不过润乾报表提供的功能却和常规 ChatBI 有所不同：

润乾是白盒

润乾自助报表支持单步对话执行，也支持整体任务规划整体执行，不管是单步执行，还是规划整体执行，其过程都是可控的，每一个命令和结果都是可查，可改的，相当于白盒调试，一切都在可控范围内

而大多数 ChatBI 是个黑盒，中间过程不可控，出错后很难调试修改，重来一遍又可能把本来已经搞对的步骤再弄错

润乾方便集成

市面上的 ChatBI，大都是通常是重型 BI 系统的部件，集成起来需要处理权限对接、数据同步一堆麻烦事，而润乾自助报表，可以轻松嵌入到各类应用系统中

示例展示：

先做一个简单表样出来，再一步步完善，比如过滤数据，增加统计项，设置显示格式，增加同环比，排名等

每一步一个命令，像下面这样分步操作

还可以利用 LLM 一步到位做报表，把整体需求说出来，“LLM 规划”功能会自动拆分成多个规范命令，然后一次性整体执行或分步执行出结果

比如我们输入：

只要订单金额超过 5000 的数据，然后按省份和年份分组汇总订单金额，再计算省内金额比例环比，环比以百分比显示，金额按货币格式

点击 LLM 规划，就可以把任务拆分成下图左面的 6 个分步指令了，然后就可以单条执行或者全部执行了

执行后的结果

一句话就可以搞定一个有各种条件的报表了

如此简单智能的 AI 自助报表，真正让业务人员成为了报表的主人

• 对用户而言，只要像聊天一样描述需求，工具就能自动生成报表，极高的易用性有效降低了使用门槛，增强了用户信心与使用意愿，带来了体验上的巨大提升

• 对厂商而言，这种能力不仅转化为产品的核心竞争力，更能帮助客户释放出大量人力成本，实现双赢

润乾报表的这套 AI 实践， 把 AI 能力渗透到了报表开发的多个关键环节：

• 设计环节：从 GUI 到 LUI，像聊天一样生成复杂报表，告别“手搓”

• 图表环节：AI 自动生成 ECharts 配置，复杂可视化不再需要精通前端

• 应用环节：自然语言替代参数模板，用户想怎么筛就怎么筛

• 自助环节：业务人员自己就能做报表，分步执行或整体规划，过程透明可控

更重要的是，润乾这套方案还有硬核优势

润乾没有盲目迷信大模型，它采用“规则引擎主导 + LLM 辅助”的务实架构：LLM 只负责把“人话”翻译成规范指令，核心计算由确定性规则引擎完成——既享受了 AI 的灵活便捷，又保证了结果的 100% 可信，从机制上杜绝了“幻觉”问题

对 LLM 要求低，成本就会低很多，私域部署的小参数模型也能胜任，数据代码不出域，也更容易满足企业安全合规的要求

另外润乾报表本身的采购成本也不高，这些 AI 功能，都已经包括在三万随便用的工具版本中，三万买断，可以无限分发到公司的各个项目中使用了

润乾 AI 报表不是给客户画一个炫酷的饼，而是提供了一套真正能用、敢用、用得起的 AI 报表解决方案，在报表 AI 化这条路上做出了扎实，有效的先行探索

润乾产品咨询

对润乾产品感兴趣的小伙伴请扫码与我们联系

企业微信｜@润乾软件