AI Agent自动化处理Excel表格实战教程：让大模型替你做表

为什么AI Agent比手动做表更值得学

我见过太多人在Excel里重复同样的操作：合并数据、清洗格式、生成周报。每次耗时2小时，出错率还不低。大模型火了之后，很多人只知道用它聊天写文章，却忽略了它最硬核的用途——替你操作表格。AI Agent不是简单地把公式写好给你，而是能理解你的意图，自动读取文件、分析数据、生成结果，整个过程不需要你碰Excel。

这篇文章会带你从零搭建一个能自动处理Excel的AI Agent，不依赖任何付费API，用的是本地大模型+Python的组合。跟网上那些"调用OpenAI API处理表格"的教程不同，我走的是完全离线路线，数据不离开你的电脑。

整体架构：三个模块各司其职

一个完整的Excel自动化Agent由三个核心模块组成：

• 意图解析模块：接收你的自然语言指令，拆解为具体的操作步骤（比如"把A列和B列合并到C列"→读取列→拼接→写入）
• 数据操作模块：用Python的openpyxl或pandas执行实际的Excel读写操作
• 结果验证模块：对Agent的输出做校验，防止数据错位或格式丢失

这不是想象中的架构，是我实际在用的。下面一步步搭建。

环境准备：三个依赖就够了

不需要装一堆乱七八糟的东西，核心依赖只有三个：

pip install openpyxl pandas ollama

其中ollama是本地大模型的运行框架，如果你还没装，去 ollama.com 下载安装，然后拉一个模型：

ollama pull qwen2.5:7b

选qwen2.5:7b的原因很简单——中文理解能力强，7B参数在大多数电脑上跑得动，处理表格这种结构化任务绰绰有余。当然你有更好的显卡，可以上14B版本。

核心代码：让Agent理解你的表格意图

关键在于Prompt设计。很多人直接把表格数据扔给大模型让它分析，这有两个问题：数据量一大就超出上下文窗口；大模型不擅长直接计算。正确做法是让Agent生成操作代码，而不是让它直接算。

import ollama
import json
import subprocess

SYSTEM_PROMPT = """你是一个Excel操作助手。用户会给你一个操作指令，你需要生成Python代码来完成操作。
可用库：openpyxl, pandas
规则：
1. 只输出可执行的Python代码，不要解释
2. 文件路径用变量file_path
3. 结果保存回原文件
4. 处理完打印前5行数据作为预览
"""

def agent_process(instruction: str, file_path: str):
    # 第一步：让大模型生成操作代码
    response = ollama.chat(
        model='qwen2.5:7b',
        messages=[
            {'role': 'system', 'content': SYSTEM_PROMPT},
            {'role': 'user', 'content': f'文件：{file_path}\n指令：{instruction}'}
        ]
    )
    code = response['message']['content']
    # 提取代码块
    if '```' in code:
        code = code.split('```')[1]
        if code.startswith('python'):
            code = code[6:]

    # 第二步：安全检查
    dangerous = ['os.system', 'subprocess', 'rm ', 'rmdir', 'shutil.rmtree']
    for d in dangerous:
        if d in code:
            raise SecurityError(f"检测到危险操作: {d}")

    # 第三步：执行代码
    exec_globals = {'file_path': file_path, '__builtins__': __builtins__}
    exec(code, exec_globals)
    print("操作完成")

这段代码的核心思路：大模型负责理解意图和生成代码，Python负责执行。各取所长。安全检查那一步千万别省——你不会想让一个AI Agent执行危险系统命令的。

实战案例：自动合并多张销售周报

这是我每天都在用的场景。每周一收到5个区域经理的Excel周报，格式基本一致但列名总有细微差异（有人叫"销售额"，有人叫"销售金额"），手动合并能烦死你。

agent_process(
    "把当前目录下所有以周报开头的xlsx文件合并到一张表里，统一列名为：区域、日期、销售额、订单数。按销售额降序排列，最后加一行合计",
    "./weekly_reports/"
)

Agent会自动生成一段pandas代码：读取所有文件、统一列名映射、concat合并、排序、添加合计行。整个过程10秒搞定，而以前我要花30分钟。

更厉害的是，这种指令不需要你每次都重新描述。我把常用的操作存成了模板：

模板名	指令	适用场景
merge_reports	合并同目录下所有xlsx文件	多来源数据汇总
clean_format	统一日期格式，去除空行空列	脏数据清洗
add_summary	在末尾添加汇总行和小计列	周报月报生成
split_by_column	按指定列拆分为多个文件	按部门/区域分发
compare_diff	对比两个文件差异并标注	版本核对

踩坑记录：三个最容易翻车的地方

坑1：大模型生成的代码引用了不存在的列名。这是最高频的错误。解决方法是在Prompt中加入列名信息，或者在执行前先读取表头做校验：

import pandas as pd
df = pd.read_excel(file_path, nrows=0)
columns = list(df.columns)
# 把columns信息注入到Prompt里

坑2：日期格式混乱。Excel里的日期可能是字符串、datetime、甚至数字（Excel的日期序列号）。我的做法是在Prompt里明确要求"所有日期统一转为YYYY-MM-DD字符串格式"。

坑3：大文件超出内存。遇到几十万行的表格，pandas一次性加载会爆内存。改用chunk读取：

chunk_size = 50000
for chunk in pd.read_excel(file_path, chunksize=chunk_size):
    process(chunk)

进阶：接入豆包大模型提升中文理解

本地7B模型处理简单操作没问题，但遇到复杂的业务逻辑（比如"把异常订单标红并单独汇总"），理解能力就不够了。这时候可以接入豆包大模型作为"大脑"，本地Python作为"手"：

from volcengine.maas import MaasService

maas = MaasService('maas-api.ml-platform-cn-beijing.volces.com', 'cn-beijing')
# 初始化时替换为你的API Key和Endpoint ID
def agent_process_cloud(instruction, file_path):
    # 用豆包理解复杂指令
    resp = maas.chat(endpoint_id='your-endpoint', messages=[...])
    # 生成的代码仍在本地执行，数据不出网
    code = extract_code(resp)
    safe_exec(code, file_path)

这样做的好处是只有指令走网络，数据始终在本地。对数据安全有要求的公司也能用。

与其他AI办公方案的对比

你可能在想：这不就是Copilot或者WPS AI干的事吗？不完全一样：

• Microsoft Copilot：需要Microsoft 365订阅，数据在微软服务器上处理，无法自定义逻辑
• WPS AI：功能有限，只能处理预设的几种操作
• 本文方案：完全本地运行，操作无限制，数据零泄露风险，免费

代价是需要一点Python基础，但说真的，比学VBA简单多了。

总结：从手动做表到指挥AI做表

AI Agent处理Excel的本质不是"AI比你更会做表"，而是"你不用再做表"。你的角色从操作者变成了指挥者——告诉Agent你要什么，它来想怎么做。这种思维转换比学任何具体技术都重要。

相关阅读：

• 豆包API自动化工作流实战——用豆包API搭建数据处理流水线
• 本地大模型日志生成的Python实战——本地大模型的另一种实用玩法
• MCP Server开发实战——让AI模型调用外部工具的通用方案