很多人对“AI跑数据建模任务”的第一反应是把一份Excel丢给ChatGPT让它直接出一个预测模型。这个想法方向没错但落地时会发现一堆问题——数据格式混乱、字段含义缺失、缺失值怎么处理、模型效果怎么评估、特征怎么构造每一步都会卡住。真正跑过一次完整的数据建模任务后你会发现一个更接近现实的结论AI不是帮你“一键建模”而是帮你把一个结构性很强的工程流程加速了至少三倍。它能大幅降低编码门槛也能提供很多思路但数据质量的把控、业务口径的判断、结果的验证仍然需要你来完成。这篇文章我想以一份“二手房价格预测”为案例完整演示如何用当下主流的AI Agent工具配合Python生态跑完一个数据建模任务。你会看到哪些步骤AI真的擅长哪些步骤容易翻车以及如何把AI的产出组织成可验证、可追溯、可上线的工程代码。无论你是在做数学建模竞赛、数据分析项目还是企业内部的机器学习需求这套方法都值得收藏备用。1. AI跑数据建模任务到底能解决什么问题先说判断AI在数据建模里的价值不在“算法的最后一跳”而在前面占掉70%时间的脏活、累活和沟通活。一个典型的数据建模项目实际消耗时间分布大致是这样的业务理解与指标口径对齐消耗大量沟通成本AI帮不上太多忙。数据采集、探查、清洗、特征工程占整个项目50%以上时间AI能显著提效。模型选择、参数调优、结果评估AI能提供方案和代码但需要人来判断。上线部署与监控AI能生成接口代码和监控脚本但工程决策需要人来做。过去没有AI辅助时一个熟悉Python的数据分析师完成一份中等难度的数据建模报告可能需要两天到一周取决于数据质量。现在如果你能清晰地把需求描述给AI Agent并让它一步步输出代码和解释很多时候只需要半天就能跑通第一版。注意我刚才加了一个前提你能清晰描述需求。这恰恰是AI不能替代你的核心能力。很多人容易产生一个误解既然有了AI我是不是不用学数据分析、不用懂建模原理了从实际效果看恰恰相反。AI生成的代码通常“看起来完整”但它不会告诉你训练集和测试集之间是否发生了数据泄漏也不会判断这个特征在业务上是否有意义更不会在模型效果差时主动说“你的数据质量有问题”。如果你连基础概念都不了解可能花很长时间在错误的方向上反复调试最后还以为是AI能力不够。AI更适合作为你的结对同事而不是替你思考的自动建模机。那么一个现实可用的AI辅助数据建模工作流应该是什么样子我把它的核心概括为八个字任务拆解、代码验证。AI负责把每个环节的代码快速生成出来你负责把它放进真实环境运行再把输出结果和业务目标对照验证。下面先梳理数据建模的标准流程知道流程才能知道该让AI帮你做什么。2. 想用好AI需要先理解数据建模的标准流程数据建模并不是“调用一个模型训练函数”这么简单。它是一套从业务问题到可解释结果的完整方法论。在结构化数据建模场景下一个标准流程通常包含以下环节业务问题定义我要预测什么预测结果给谁用用什么指标衡量好坏数据获取与理解有哪些数据字段含义是什么数据覆盖的时间范围是什么数据预处理缺失值处理、异常值处理、数据类型转换、去重、统一单位。特征工程从原始字段中构造更能表达业务规律的特征比如从“登记时间”中提取“房龄”从“区域”中做聚合统计。数据集划分拆分训练集、验证集、测试集确保模型效果评估可信。模型训练选择合适的算法训练模型。模型评估与调优通过指标和业务场景判断模型是否可用必要时调参或重新做特征工程。模型解释与报告输出解释模型结果输出可读的图表和结论。部署上线与监控如果是生产需求将模型封装成可调用的接口持续监控效果。你可能会觉得这些概念在教科书上都见过。但落到AI协作场景它的意义在于你需要在哪个环节停下来和AI对话AI输出的代码应该替换掉哪个模块出了问题你该回头检查前面的哪一步。传统不借助AI的方式是心里装着一张流程地图然后手动打开IDE一个函数一个函数地写遇到报错去搜索。现在借助AI的方式是把任务描述成一段自然语言让AI先生成代码骨架再根据报错不断修正这确实节省了很多搜索时间。但这里的“任务描述”如果跨度过大AI很容易顾此失彼。比如你直接让AI“帮我完成一个房价预测的建模”它只能给你一个很泛的流程说明无法真正落地。更有效的做法是让AI一次只专注一个子任务。比如先让它对数据做质量探查再根据探查结果做清洗然后进入特征工程最终建模。这就是下面实操部分要演示的路径。3. 环境准备一个最小可复用的AI辅助建模工作台在开始实操前先把环境准备好。本文演示使用的技术栈是当前Python数据建模最主流的一组组合pandas负责数据处理scikit-learn负责建模与评估matplotlib负责可视化。版本方面不写死建议使用较新的稳定版本具体要求以你的项目环境为准。建议准备以下工具Python 3.9及以上版本推荐3.10或3.11。pandas、numpy、scikit-learn、matplotlib、seaborn等库。Jupyter Notebook或VS Code Jupyter插件用于交互式理解数据。一个可用的AI编程助手当前主流的选项包括ChatGPT类对话产品、国产大模型产品、或者集成在IDE中的AI插件。这里有一个选择建议如果你更习惯“问一句答一句”的交互式探索推荐在对话页面使用AI如果你已经有一定代码基础更推荐把AI插件直接装在IDE里让AI补全函数、解释报错、重构代码。二者可以叠加使用。在开始建模之前你还需要准备一份“数据字典”。AI不会自动理解一个叫sqft的字段到底代表建筑面积还是居住面积更不会知道price是挂牌价还是成交价。如果你希望AI生成的代码有的放矢最好在发任务时附上简洁的数据字典。比如数据文件house_price_demo.csv 字段说明 - sqft: 房屋建筑面积单位平方英尺 - bedrooms: 卧室数量 - bathrooms: 卫生间数量 - building_age: 楼龄单位年 - district_score: 所在区域综合评分1到10 - price: 二手房挂牌总价单位万元环境就绪后可以开始完整实操。下面的案例会从数据构造开始做这样任何读者都能把自己手头的数据替换进去。4. 完整实操让AI Agent完成一个房价预测任务4.1 任务背景与分析目标假设我们收到一份某城市二手房挂牌记录包含房屋面积、卧室数量、卫生间数量、楼龄、区域评分和总价等字段。我们要构建一个价格预测模型给后续上架估价使用。这条需求看起来很清晰但真正建模时会发现还缺少信息。目标变量是连续值还是离散值价格是万元还是元模型是只做预测还是也要解释哪些因素影响价格如果条件允许这些问题需要在动手前确认。本文为了演示假设目标变量是连续的挂牌总价单位是万元业务方希望得到一个回归模型并输出字段重要性供运营参考。4.2 让AI生成一份可复现的模拟数据在实际项目中数据通常来自数据库或Excel导出。但是为了让读者能完整跑通代码我先生成一份模拟数据。你可以在AI工具中输入类似下面的提示词帮我用Python生成一份200行的二手房模拟数据保存为house_price_demo.csv。 字段包括sqft、bedrooms、bathrooms、building_age、district_score、price。 要求 - sqft在600到3000之间 - bedrooms在1到5之间 - bathrooms在1到4之间 - building_age在0到30之间 - district_score在1到10之间 - price与这些字段存在一定线性关系并加入随机噪声价格范围大致在50到800万之间 - 设置random_state保证结果可复现AI会返回类似下面这样的代码# 文件路径generate_demo_data.py import numpy as np import pandas as pd np.random.seed(42) n 200 sqft np.random.randint(600, 3000, n) bedrooms np.random.randint(1, 6, n) bathrooms np.random.randint(1, 5, n) building_age np.random.randint(0, 31, n) district_score np.random.uniform(1, 10, n) # 构造价格面积越大越贵、楼龄越老越便宜、区域评分越高越贵 price ( 0.12 * sqft 25 * bedrooms 15 * bathrooms - 2.5 * building_age 18 * district_score np.random.normal(0, 30, n) ) price np.clip(price, 50, 800) df pd.DataFrame({ sqft: sqft, bedrooms: bedrooms, bathrooms: bathrooms, building_age: building_age, district_score: district_score, price: price.round(2) }) df.to_csv(house_price_demo.csv, indexFalse) print(df.head())这段代码里有几个关键点需要理解。random_state的作用是固定随机种子让数据可以被复现np.clip将价格截断在50到800万的合理区间避免出现明显不合理的极端值。如果读者想用自己业务环境中的数据完全不需要执行这一段直接从下一步开始即可。运行方式python generate_demo_data.py运行之后当前目录下会出现一个house_price_demo.csv文件。建议先打开查看一下确认数据行数和字段与预期一致。4.3 数据理解与质量检查拿到数据的第一件事不是建模而是做一次快速的数据质量体检。把下面这段提示词发给AI读取house_price_demo.csv帮我完成以下数据探查 1. 打印前5行数据 2. 打印每列的非空值数量、数据类型 3. 打印描述性统计信息 4. 检查是否存在重复行 5. 检查price列是否有小于等于0或明显异常的值AI会生成类似的代码# 文件路径explore_data.py import pandas as pd df pd.read_csv(house_price_demo.csv) print(前5行) print(df.head()) print(\n数据类型与非空统计) print(df.info()) print(\n描述性统计) print(df.describe()) print(\n重复行数量, df.duplicated().sum()) print(\nprice最小值, df[price].min()) print(price最大值, df[price].max()) print(\n异常检查) print(df[df[price] 0]) print(df[df[sqft] 0])这一步看起来平淡无奇却非常关键。很多数据问题都是在这里暴露的比如单位不统一、字段类型错误、存在极端的离群值。如果直接在脏数据上建模后面所有的结果都会失真。AI能很快生成探查代码但它不会替你判断当前的数据质量是否达标。你需要看输出结果并形成自己的判断数据量是否足够是否存在大量缺失price列是否出现负值如果出现与业务常识不符的字段值第一步应该是回到数据来源确认而不是盲目清洗。4.4 数据预处理与数学建模数据预处理数据质量探查结束后进入数据预处理环节。这也是热搜词里“数学建模数据预处理”在真实项目中的对应物。预处理通常包括处理缺失值选择删除、填充或使用模型预测补齐。处理重复行和异常值。转换数据类型比如把字符串日期转成时间类型把类别字段编码成数值类型。统一量纲比如把面积从“平方米”转成“平方英尺”后再建模。在我们的模拟数据中缺失值可能不多。为了让演示更贴近真实情况可以在探查后发现某些字段存在缺失值。此时可以给AI一个明确的任务处理house_price_demo.csv中的缺失值和异常值 1. 填充bedrooms和bathrooms的缺失值用中位数填充 2. 删除total价格小于50的记录 3. 保存处理后的数据为house_price_demo_clean.csv实际AI可能生成类似下面的代码# 文件路径preprocess.py import pandas as pd df pd.read_csv(house_price_demo.csv) print(处理前缺失值) print(df.isnull().sum()) # 用中位数填充缺失值 for col in [bedrooms, bathrooms]: median_val df[col].median() df[col] df[col].fillna(median_val) # 删除价格小于50的异常记录 df df[df[price] 50] # 保存数据 df.to_csv(house_price_demo_clean.csv, indexFalse) print(处理后数据规模, df.shape) print(处理后缺失值) print(df.isnull().sum())这里需要提醒一个常见的AI使用误区如果你要求AI用中位数填充它通常只会执行填充但不会提醒你这样做在业务上是否合理。有些字段的缺失本身是有业务含义的比如某套房源没有登记“楼龄”可能代表信息不全直接填充中位数的做法有时会抹掉这种信号。比较好的习惯是把缺失率超过一定阈值的字段单独列出来和业务方确认缺失原因后再决定处理方式。4.5 特征工程AI生成特征思路人来把关特征工程是整个数据建模流程中最考验经验的部分也是AI辅助价值很高的部分。AI可以基于已有字段快速生成很多特征构建代码但特征是否有业务逻辑必须人来判断。继续对价格预测任务做特征工程。我们可以要求AI基于house_price_demo_clean.csv做特征工程 1. 生成单位面积价格 price_per_sqft price / sqft 2. 生成房屋平均每卧室面积 sqft_per_bedroom sqft / bedrooms 3. 尝试构造离散分组特征 house_size_category按面积分为小、中、大三类 4. 保存特征工程后的数据为house_price_demo_feature.csvAI生成的代码会类似这样# 文件路径feature_engineering.py import pandas as pd df pd.read_csv(house_price_demo_clean.csv) # 单位面积价格 df[price_per_sqft] df[price] / df[sqft] # 平均每卧室面积注意避免除0 df[sqft_per_bedroom] df[sqft] / df[bedrooms].replace(0, np.nan) # 面积分组 bins [0, 1000, 2000, 5000] labels [small, medium, large] df[house_size_category] pd.cut(df[sqft], binsbins, labelslabels) # 对类别字段做数值编码 df[house_size_category_code] df[house_size_category].astype(category).cat.codes df.to_csv(house_price_demo_feature.csv, indexFalse) print(df.head()) print(df[[price_per_sqft, sqft_per_bedroom, house_size_category]].describe())AI生成的特征代码有几类隐藏问题需要关注。一是数据泄漏。如果某个特征的计算用到了全量数据的统计信息比如用target均值做编码就可能把未来信息泄漏到训练集里导致线下评估虚高、线上效果崩塌。上面示例中的price_per_sqft是从价格和面积两个字段直接计算出来的本身不会泄漏但如果后续建模时把price_per_sqft这种带有目标变量的字段也放入特征矩阵就会造成严重的数据泄漏因为建模时根本不可能知道未来样本的price。这里要清楚生成特征是一回事建模时选哪些特征是另一回事。二是除零问题。原始字段里可能出现0值直接做除法会产生无穷大。上面的代码通过replace(0, np.nan)来规避但在真实业务数据中0的含义需要仔细确认可能是空值也可能是真实数值。三是类别特征的编码方式。pd.cut生成的类别字段本质是无序区间使用cat.codes编码后变成0、1、2可能会给模型带来错误的顺序关系。对于有序类别还勉强说得通如果是无序类别通常应该用OneHotEncoder或留一编码。这个决策需要结合实际场景做选择。在实际建模时建议把原始特征和构造特征分开存放以便回溯。如果做竞赛或精细建模可以使用sklearn的Pipeline把预处理和特征构造封装成可复用步骤避免在训练集和测试集上重复手写逻辑。4.6 建模训练与模型评估特征工程完成后进入建模环节。这里继续让AI生成核心代码但这次需要把“是否要包含price_per_sqft这样的泄漏特征”明确告诉AI。为此可以发这样一段提示词从house_price_demo_feature.csv中读取数据做房价预测回归任务。 要求 1. 特征字段只用sqft、bedrooms、bathrooms、building_age、district_score、sqft_per_bedroom 2. 目标字段是price 3. 使用train_test_split划分数据test_size0.2random_state42 4. 用LinearRegression训练模型 5. 输出MAE、RMSE、R2并以图表对比真实值和预测值 6. 解释结果AI会生成一段完整的训练脚本下面是一个结构相对完整的交付形态# 文件路径train_model.py import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score df pd.read_csv(house_price_demo_feature.csv) features [ sqft, bedrooms, bathrooms, building_age, district_score, sqft_per_bedroom ] target price X df[features] y df[target] X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42 ) model LinearRegression() model.fit(X_train, y_train) y_pred model.predict(X_test) mae mean_absolute_error(y_test, y_pred) rmse np.sqrt(mean_squared_error(y_test, y_pred)) r2 r2_score(y_test, y_pred) print(MAE:, round(mae, 2)) print(RMSE:, round(rmse, 2)) print(R2:, round(r2, 4)) # 特征重要性对于线性回归使用系数绝对值 coef_df pd.DataFrame({ feature: features, coef: model.coef_ }).sort_values(bycoef, keynp.abs, ascendingFalse) print(\n特征系数) print(coef_df) plt.figure(figsize(6, 6)) plt.scatter(y_test, y_pred, alpha0.6) plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], r--) plt.xlabel(真实价格) plt.ylabel(预测价格) plt.title(真实价格 vs 预测价格) plt.show()运行方式python train_model.py从AI使用者的视角看这个脚本覆盖了建模和评估的主要流程。不过在让它直接跑之前有几个细节值得检查。检查训练集是否包含泄漏字段。我特意没有把price_per_sqft放入特征列表因为它是price的直接比例变换模型拿到它几乎等于知道了答案。但如果你让AI“把能用的特征都用上”它很可能会把这个字段塞进去这时你的模型评估会得到一个很高但不真实的R2。可以把这种典型场景作为团队内部的一个红线问题来讨论。检查模型选择是否合理。LinearRegression是理解成本最低的回归模型适合作为baseline。真实业务中还存在树模型、集成模型、深度学习模型等多种选择。让AI对比几种模型的代码并不难难的是理解每种模型的假设、适用数据规模和可解释性要求。如果业务方要求解释每个字段的影响程度线性模型或树模型是合适的如果只关心预测精度且有大量数据可以考虑集成模型。检查数据划分是否在“探索性分析”之后。这里先做特征工程再划分数据集严格来说对于不需要全量统计量的特征工程影响不大。但如果你的特征工程包含归一化、标准化或使用全量数据的均值填充那么必须先fit训练集再transform测试集否则也会造成数据泄漏。这是从AI辅助建模走向工程化时必须补齐的知识点。5. AI跑出来的模型结果靠谱吗必须做的效果验证AI生成的训练代码运行结束后你会看到MAE、RMSE、R2等指标。这时候最容易出现一种情况看到R2还不错就觉得任务完成。但在真实项目中这远远不够。模型效果评估至少要做好三件事。第一指标要和业务口径绑定。R2能告诉我们模型解释了方差的百分比但它不能告诉你预测误差在真实业务中意味着什么。如果某套房真实价格是500万模型预测成了480万误差是20万这个误差在业务上能否接受通常需要业务方给一个可容忍的误差范围。如果暂时没有标准可以用MAE作为通俗易懂的基准它表示平均误差是多少万元。第二看残差分布。可以在AI生成的代码基础上增加残差分析。比如预测价格和真实价格的差值是否围绕0对称是否存在某些区间系统性高估或低估。这一步往往能发现特征的缺失项。如果大量高总价房源被低估说明模型在高端房源上的信息不足可能需要补充能区分高端房产的特征。第三做简单的模型对比。不要只依赖一个模型。可以在代码中对比LinearRegression、Ridge回归、决策树、随机森林、XGBoost如果装有库等模型在一个验证集上的表现。AI非常擅长生成这种对比代码但训练出的模型可能来自不同库和不同处理流程你需要确保每个模型都使用相同的训练集和测试集并记录随机种子。实际项目中模型评估不是一次性动作而是循环迭代的过程。当AI告诉你“要提升模型精度可以添加更多特征”时需要警惕。盲目堆特征是过拟合的温床更靠谱的做法是通过交叉验证来评估模型稳定性这也是从“能跑”到“靠谱”的关键一步。6. AI辅助数据建模的常见问题与排查思路在AI辅助数据建模过程中我见过许多人在同一类节点上卡住。整理如下。问题现象可能原因排查方式解决方案AI生成的代码运行时报KeyError或列名不存在生成代码时没有读取真实字段列名大小写或空格不一致先打印数据的columns与代码中的字段列表对比把真实的字段列表复制进提示词而不是口头描述模型R2非常高但业务报告没有任何参考价值特征中包含price的直接变体存在数据泄漏检查特征列表是否包含price_per_sqft等target派生特征只保留建模时已知的字段删除由target逆推的特征缺失值处理后人反而多了一堆虚构记录对类别型缺失值直接填充“未知”导致模型无法区分真实类别和缺失类别查看填充后该字段的取值分布缺失值单独编码一个类别或用模型预测类别不同随机种子下指标起伏很大数据量太少或模型过拟合数据划分不稳定做多次不同seed的train_test_split增加数据量改用交叉验证评估AI给出多种模型但不知道选哪个只比较了测试集R2没有考虑可解释性、训练时间、上线成本用验证集综合对比并考虑业务解释需求将可解释性作为模型选型维度之一业务解释要求高时优先简单模型特征工程代码存在除零导致训练数据集出现NaN原始字段存在0值未处理建模前用df.isnull().sum()和np.isinf()检查结果先看业务含义再填充或删除不要盲除环境报错某个库版本冲突不同项目依赖版本不一致用pip list查看已安装库版本用pip check检查冲突使用requirements.txt或虚拟环境隔离依赖这些问题的共同点在于问题不是在“AI不够聪明”而是上下文不够完整。AI是在你给出的有限信息和自己的训练知识之间做推断数据字段说明不清、目标定义模糊、模型选型条件缺失都会让它给出“看似合理但并不可用”的方案。所以具体使用时推荐把下面这段“提示词模板”作为项目的起手式它能让AI进入上下文更完整的状态我目前在做一份结构化数据建模任务。 数据集路径{} 数据规模{} 行{} 列 目标变量{}这是一个{回归/分类}问题 可用特征 - {} 数据字典 - ... 业务限制 - 需要可解释性较强的模型 - 训练环境依赖已有库不支持在线调参 - 数据量为中等规模优先考虑传统机器学习模型 请先给出整体建模思路再分步骤生成python代码。模板固然重要但不要迷信模板。真正影响结果的是你作为建模者对数据、业务、算法边界的理解。对于非技术读者如果是为了参加数学建模竞赛更核心的训练应该是把赛题转化为建模问题如果是为了企业内部项目则需要把特征工程和模型稳定的工程方法补齐。7. 工程实践与AI协作建议从“能跑”到“上线”让AI辅助跑通一个模型只是第一步。在实际项目中要在团队里稳定复用还需要做一些工程化梳理。第一数据版本与代码版本要一起管理。很多数据建模项目最终难以复盘不是因为代码写得不好而是数据被人手动改过很多次代码却无法追溯。建议把原始数据、清洗后数据、特征工程后数据和训练代码放进同一个版本目录每个目录注明生成时间。即使无法使用专业数据版本管理工具至少也要给文件加上有意义的命名比如house_price_20240601_clean.csv而不是使用一堆final_v2_really_final.csv。第二把数据处理的主要逻辑封装成函数或Pipeline。如果你每次建模都是在Jupyter里从上到下执行单元格重复换数据时容易遗漏步骤。用sklearn的Pipeline把缺失值填充、归一化、类别编码和模型训练串起来会减少很多低级错误。AI在这里能帮你快速搭出Pipeline骨架但里面的Transformer顺序需要人来确认。第三设置人与AI的协作边界。在建模项目中不要让AI直接修改原始数据。每一份数据文件都建议存为不可变副本AI生成的新数据另存为另一个文件名。这样即使AI代码运行出错也不会破坏原始数据。对于涉及生产环境、数据库或权限变更的操作必须经过人工审查并在测试环境验证后再执行。第四结论要有验证依据。AI在解释代码和结果时经常给出“这个模型效果较好因为R2较高”这类表面解释。你可以不断追问它这个结论是否在验证集上成立如果换一种数据划分方式是否依然成立建议把AI输出的每一条关键结论都对应到一行代码或一个输出指标上找不到依据的结论不写进报告。第五也是容易被忽略的一点文档和字段口径要由人来沉淀。AI可以帮你写数据报告模板、自动生成markdown、整理字段清单但业务方认可的口径、行业常识、字段中的特殊含义这些知识不在代码里。时间久了团队最值钱的不是“能把模型跑出来的人”而是“能准确描述问题并让模型解决业务问题的人”。AI加速了建模的过程并没有削弱这个核心要求。8. 如何不断提升AI辅助数据建模的效果如果想要让AI在自己的数据建模任务中越用越顺手可以从三个方向持续投入。第一个方向是提高数据敏感度。拿到任何数据集先不要急着让AI写代码自己先用中文或表格把字段含义、缺失比例、取值范围梳理一遍。梳理过程中产生的格式可以直接作为AI提示词。数据敏感度越高和AI沟通的质量越高。第二个方向是建立小实验回路。不要试图一次输入整个建模需求让AI输出最终代码。而是把任务拆成“读取数据并做探查”“探查后给出清洗建议”“生成特征构造代码”“训练并评估”这样的小步骤。每一步都看到运行结果后再进入下一轮这样AI在下一轮能够基于之前的输出给出更准确的建议。第三个方向是补充模型原理。AI擅长帮你写代码但它不能代替你理解模型。树模型、线性回归、正则化、交叉验证、评估指标这些核心概念至少要有基本认知。不需要成为算法专家但至少要能看懂每一行代码在做什么。这个底线意识能够避免AI生成的代码变成一个你不理解的黑箱。如果是一个三人以上的建模小组还可以尝试用AI Agent的思路把流程自动化把一份“数据字典目标定义”的说明文件交给Agent让它按流程自动生成探查脚本并输出中间结果。这个方向很热但目前更适合有一定工程能力、能处理Agent状态错乱的团队。对于个人学习和常规项目手动分步和AI协作的方式更稳妥。AI跑数据建模任务的前景毋庸置疑但从我的判断看它会重构的是“数据建模任务的完成方式”而不是“数据建模这件事本身”。当AI把大量可编码、可复制的动作变成低成本操作真正稀缺的能力变成了定义问题、理解数据、判断模型、推动落地。如果你正准备开始一份数据建模任务不妨先把上面这套流程跑一遍再用结果检验自己在哪里投入的时间最多、理解最薄弱那个地方就是你接下来该补课的地方。