業州愚公在其系列文章《AI 工具實操與提示詞》中提到，一位朋友將體檢報告拍下來並交給 AI 處理，結果得到的回應是一大段「整體平穩」的評語，但朋友卻覺得這樣的答案沒有實際幫助。業州愚公認為，問題不在於 AI 模型本身，而在於提問的方式。他建議先教導 AI 認識圖表中的軸和結構，然後再問那些重要的數據，以便得到更有意義的答案。這樣的方法不僅適用於體檢報告，也適用於財報等其他類型的圖表分析。
菜鳥之友系列：《AI 工具實操與提示詞》・工具篇作者：業州愚公
上個月有個朋友拿著體檢報告來找我。紙上密密麻麻，一半的項目後面跟著一個向上的箭頭。他已經把報告拍下來丟給 AI，得到的回答是一大段「您的各項指標整體較為平穩，建議保持良好的作息與飲食」。
他問我：這不就是廢話嗎？
廢話不假，但這不是 AI 的錯，是問法的錯。你給它一張圖，問「這張圖說了什麼」，它當然只能回一段誰都能說的場面話。哪一項超了、超多少、參考區間是多少、醫生的建議寫在哪一行——你一句都沒問。
年報也一樣。幾十頁 PDF 發下來，折線圖、柱狀圖、雙軸圖排得漂漂亮亮，多數人從頭翻到尾，眼睛只落在標題上。不是不想看，是不知道從哪一行看起。
很多人以為，模型既然能讀幾十頁 PDF，讀一張圖自然不在話下。這個假設就錯了。
讀字，是認字、斷句、找關係；讀圖，是看像素、估位置、推比例。模型看到一張柱狀圖，並不會先在腦子裡生成一張數據表，它是照著視覺特徵去描述。粗的、高的、顏色深的，它抓得住；至於第三根柱子對應左軸還是右軸、刻度從零起還是從八十起，它常常是靠猜。
猜對了，你覺得它神；猜錯了，它照樣說得斬釘截鐵。
這一點要記牢：多模態模型能描述圖表結構、認出標題圖例、講出大致趨勢，但它不會主動告訴你「這個數我看不清」。 它會給你一個看起來很合理的數字，然後接著往下說。
所以下面所有方法，核心只有一條：不要讓它有機會「順手補一個數」。
同一張圖，加不加那幾句鋪墊，結果差得很遠。
鋪墊要講四件事：這是什麼圖、橫軸是什麼、縱軸是什麼、單位是什麼。這四句一給，它的搜尋範圍就窄了一半。
開場白可以照這個抄：「這是一張年度營收的柱狀圖，橫軸是二〇一九到二〇二四共六個年度，縱軸是營業收入，單位是億元，左軸從零起。圖上另有一條折線表示年增率，對應右軸的百分比。請先不要給我結論。」
最後那句很關鍵。加上它，模型的動作就從「寫一段感想」變成「做一次結構辨識」。
接著讓它複述：圖裡有幾組數據、圖例是什麼、軸的起點和單位、有沒有第二條軸。 複述對了再談取數；複述錯了，你當場就知道它沒看懂，換一張清楚的圖重來。這一步不到一分鐘，卻能擋掉後面八成的胡說。
還有一個小動作我幾乎每次都加：明確允許它說「看不清」。「有任何數字或刻度無法確定，請直接說不確定，不要推測。」模型預設要把話說滿，你給它留這條路，它才肯認帳。
這是整篇最值錢的一句。
年報、季報裡的圖，都是從表加工出來的。圖是給人看的，表才是給人核的。同一份文件裡，圖旁邊一定有一張原始數據表——營收、毛利、費用、現金流，逐年的數字整整齊齊排在那裡。
先找表，再談圖。 讀圖得來的數字只能當線索；要寫進報告、要拿去跟人爭論的數，一律回原始表格。圖上讀出來的「大約三點二億」和表上寫的「三億一千九百八十萬」，差的那兩百萬，有些場合是要命的。
真的只有一張截圖怎麼辦？把期待放低，只問它做得到的事：
第一，把圖上印出來的數字照抄一遍。 很多圖把關鍵數值標在柱子頂端或節點旁邊。這些是「字」，不是「估」，抄得準。讓它逐項列出，你再對著圖一個一個核。
第二，問趨勢，不問精確值。「這六個年度裡，哪兩年營收下滑？」「毛利率是持續走高還是先升後降？」這類問題它答得穩，錯了你也一眼看得出來。
第三，把單位的坑填掉。 元、千元、萬元、億元；幣別還可能是人民幣、港幣、美元，同一份文件前後換單位是常事。問題裡把單位寫死，回答裡也要求每一項都帶單位。 不帶單位的數字，等於沒說。
還有個盲點：年報上的「年度」不一定是日曆年。有的公司財年四月起算，圖上寫「二〇二四」，指的可能是二〇二四年四月到二〇二五年三月。先看腳註那行小字。
回到我那位朋友。報告的結構很規整：項目名、結果、參考區間、箭頭，四欄排下來。這是一張表，不是一張圖——只是被拍成了照片。問法也該照表來。
第一段，照原樣搬。「這是一張檢驗報告的照片，請照原樣列成四欄：項目名稱、結果、參考區間、標記。只抄你確信看得清的行，看不清的寫『不清』。」
第二段，只挑偏離的。「在上表基礎上，只列出超出參考區間上限或低於下限的項目，註明超出多少、比例多少。」
第三段，把報告自己的話摘出來。「報告下方若有醫師建議或小結，請原文照抄，不要改寫、不要補充。」
三段問完，你會得到一張短表：超標幾項、各超多少、醫生原本怎麼說。這比一大段「整體平穩」有用得多。
不要問它「我是不是有病」。 它會給你一個很像醫生的回答，語氣還很溫和。那不是診斷，那是風險。參考區間各實驗室不同、方法不同，同一管血換一家醫院，箭頭的方向都可能不一樣。AI 能做的，是把紙上的字搬整齊、把偏離的項目挑出來，讓你去問真正該問的人。
不是所有圖都值得丟給 AI。這張表是我自己踩出來的。
| 圖表類型 | 讀得準不準 | 建議問法 |
|---|---|---|
| 柱狀圖、折線圖（有標註數值） | 較穩，標註數字基本能抄對 | 先複述軸與單位，再逐項抄標註值 |
| 柱狀圖、折線圖（無數值標註） | 只能讀趨勢，精度差 | 只問高低、升降、轉折點，不問具體數 |
| 雙軸圖（左右各一根軸） | 容易串軸，最常出錯 | 指定「柱對左軸、線對右軸」，讓它說明依據 |
| 堆疊圖、圓餅圖、3D 圖 | 不可靠，比例靠目測 | 只問「哪一塊最大」，其餘回原始表格 |
雙軸圖最容易讀錯，問的時候把對應關係寫死，它才不會串軸。
再好的問法，也不能保證一次就對。我固定做三件事：
動作一，換個問法再問一次。 第一次問「二〇二三年的營收是多少」，第二次改成「把六個年度的營收由高到低排一遍」。兩次答案對不上，那個數就有問題。
動作二，換一個模型再讀一次。 不同模型看同一張圖，錯的地方往往不一樣。兩個都報同一個數，可信度上一檔；不一樣，就回原圖自己看。
動作三，回到原始出處。 財報回表格，體檢回紙本。AI 讀圖永遠是「幫你先看一眼」，不是「替你看完」。
那天下午，我陪朋友把報告按四欄重新列了一遍。超標的其實只有三項，兩項是血脂，一項是尿酸，幅度都不大。報告下方醫師寫的那行建議，他自己翻了三遍都沒看見——「建議三個月後複查，飲食清淡」。他盯著那行字看了半天，說了一句：原來報告上早就寫了。
坑一：讓它「總結這張圖」。 這是錯誤問法的始祖。總結是它的舒適區，它會給你一段挑不出錯、也什麼都沒說的話。
坑二：不給單位。 圖上是億，它答成萬，差一萬倍，句子照樣通順。你若不追問，這個數就跟著你走進下一份文件。
坑三：拿讀圖的數去做帳。 圖上讀出來的數，誤差是常態。對帳、報稅，一律回原始憑證。
坑四：忽略軸不從零起。 縱軸從八十起，一根小柱子也能看出「暴漲」。看圖先看軸的起點，這是財報圖最常見的視覺把戲，也是模型最不會提醒你的地方。
坑五：把「不確定」當成它在謙虛。 它說看不清，就是真看不清。別追問「你大概估一下」——你這麼一催，它一定給你一個數。
五步，半小時能做完一份年報的核心圖表。
第一步，先翻表。 財報打開先找原始數據表，圖往後放。有表就不讀圖。
第二步，拍清楚。 別用壓縮過的轉發圖，截的時候把軸和圖例一起框進去。
第三步，講規矩。 四句話：什麼圖、橫軸、縱軸、單位。加一句「先不要給結論，先複述結構」。
第四步，分段問。 先結構，再取數，最後才問「這說明什麼」。順序顛倒了，它就會拿結論去湊數字。
第五步，三個動作驗一遍。 換問法、換模型、回原文。
前幾天那份年報，我照這五步走了一遍。真正有用的就三個數：營收增速放緩、毛利率掉了兩個點、經營現金流還是正的。其餘十幾張圖，看與不看，結論一樣。以前我會從第一頁翻到最後一頁，現在我知道該在哪三張圖上停下來。
圖表這東西，本來是為了讓人一眼看懂。可年報裡的圖越畫越複雜，體檢報告的箭頭越印越多。到最後，圖不是用來看的，是用來跳過的。
AI 能幫上的忙，說穿了就一句：把「跳過」變成「讀完」。 前提是你得先把規矩講給它聽，再讓它把數報出來，最後自己回頭核一遍。這套流程不炫，但它不騙你。
工具推薦隨身機器人（新用戶免費試用 7 天）
圖讀完了，數也抄下來了，接下來是把它們排成一張能看的表。隨身機器人能照你定的欄位，把年度、項目、數值、單位一次歸位，該核對的地方會提醒你回頭看原圖。
下一篇預告： 一份文件裡幾十張圖，一張張問太慢——怎麼把「讀圖、抄數、入表」這三步串成一條能重複用的流程，下次講這個。
業州愚公 ｜ SY 視野（sylogs.com）原創內容，轉載請註明出處。
編輯評論 / Editor's Note
人們越來越依賴人工智能來處理複雜的資料，但事實上，AI 的表現往往取決於問問題的方式和對資料的理解。只有當我們清楚地定義問題和提供足夠的背景資訊時，AI 才能夠提供有用的答案。因此，教導 AI 認識和理解資料結構是解決這類問題的關鍵。