业州愚公在其系列文章《AI 工具实操与提示词》中提到，一位朋友将体检报告拍下来并交给 AI 处理，结果得到的回应是一大段「整体平稳」的评语，但朋友却觉得这样的答案没有实际帮助。业州愚公认为，问题不在于 AI 模型本身，而在于提问的方式。他建议先教导 AI 认识图表中的轴和结构，然后再问那些重要的数据，以便得到更有意义的答案。这样的方法不仅适用于体检报告，也适用于财报等其他类型的图表分析。
菜鸟之友系列：《AI 工具实操与提示词》・工具篇作者：业州愚公
上个月有个朋友拿着体检报告来找我。纸上密密麻麻，一半的项目后面跟着一个向上的箭头。他已经把报告拍下来丢给 AI，得到的回答是一大段「您的各项指标整体较为平稳，建议保持良好的作息与饮食」。
他问我：这不就是废话吗？
废话不假，但这不是 AI 的错，是问法的错。你给它一张图，问「这张图说了什么」，它当然只能回一段谁都能说的场面话。哪一项超了、超多少、参考区间是多少、医生的建议写在哪一行——你一句都没问。
年报也一样。几十页 PDF 发下来，折线图、柱状图、双轴图排得漂漂亮亮，多数人从头翻到尾，眼睛只落在标题上。不是不想看，是不知道从哪一行看起。
很多人以为，模型既然能读几十页 PDF，读一张图自然不在话下。这个假设就错了。
读字，是认字、断句、找关系；读图，是看像素、估位置、推比例。模型看到一张柱状图，并不会先在脑子里生成一张数据表，它是照着视觉特征去描述。粗的、高的、颜色深的，它抓得住；至于第三根柱子对应左轴还是右轴、刻度从零起还是从八十起，它常常是靠猜。
猜对了，你觉得它神；猜错了，它照样说得斩钉截铁。
这一点要记牢：多模态模型能描述图表结构、认出标题图例、讲出大致趋势，但它不会主动告诉你「这个数我看不清」。 它会给你一个看起来很合理的数字，然后接着往下说。
所以下面所有方法，核心只有一条：不要让它有机会「顺手补一个数」。
同一张图，加不加那几句铺垫，结果差得很远。
铺垫要讲四件事：这是什么图、横轴是什么、纵轴是什么、单位是什么。这四句一给，它的搜索范围就窄了一半。
开场白可以照这个抄：「这是一张年度营收的柱状图，横轴是二〇一九到二〇二四共六个年度，纵轴是营业收入，单位是亿元，左轴从零起。图上另有一条折线表示年增率，对应右轴的百分比。请先不要给我结论。」
最后那句很关键。加上它，模型的动作就从「写一段感想」变成「做一次结构辨识」。
接着让它复述：图里有几组数据、图例是什么、轴的起点和单位、有没有第二条轴。 复述对了再谈取数；复述错了，你当场就知道它没看懂，换一张清楚的图重来。这一步不到一分钟，却能挡掉后面八成的胡说。
还有一个小动作我几乎每次都加：明确允许它说「看不清」。「有任何数字或刻度无法确定，请直接说不确定，不要推测。」模型默认要把话说满，你给它留这条路，它才肯认帐。
这是整篇最值钱的一句。
年报、季报里的图，都是从表加工出来的。图是给人看的，表才是给人核的。同一份文件里，图旁边一定有一张原始数据表——营收、毛利、费用、现金流，逐年的数字整整齐齐排在那里。
先找表，再谈图。 读图得来的数字只能当线索；要写进报告、要拿去跟人争论的数，一律回原始表格。图上读出来的「大约三点二亿」和表上写的「三亿一千九百八十万」，差的那两百万，有些场合是要命的。
真的只有一张截图怎么办？把期待放低，只问它做得到的事：
第一，把图上印出来的数字照抄一遍。 很多图把关键数值标在柱子顶端或节点旁边。这些是「字」，不是「估」，抄得准。让它逐项列出，你再对着图一个一个核。
第二，问趋势，不问精确值。「这六个年度里，哪两年营收下滑？」「毛利率是持续走高还是先升后降？」这类问题它答得稳，错了你也一眼看得出来。
第三，把单位的坑填掉。 元、千元、万元、亿元；币别还可能是人民币、港币、美元，同一份文件前后换单位是常事。问题里把单位写死，回答里也要求每一项都带单位。 不带单位的数字，等于没说。
还有个盲点：年报上的「年度」不一定是日历年。有的公司财年四月起算，图上写「二〇二四」，指的可能是二〇二四年四月到二〇二五年三月。先看脚注那行小字。
回到我那位朋友。报告的结构很规整：项目名、结果、参考区间、箭头，四栏排下来。这是一张表，不是一张图——只是被拍成了照片。问法也该照表来。
第一段，照原样搬。「这是一张检验报告的照片，请照原样列成四栏：项目名称、结果、参考区间、标记。只抄你确信看得清的行，看不清的写『不清』。」
第二段，只挑偏离的。「在上表基础上，只列出超出参考区间上限或低于下限的项目，注明超出多少、比例多少。」
第三段，把报告自己的话摘出来。「报告下方若有医师建议或小结，请原文照抄，不要改写、不要补充。」
三段问完，你会得到一张短表：超标几项、各超多少、医生原本怎么说。这比一大段「整体平稳」有用得多。
不要问它「我是不是有病」。 它会给你一个很像医生的回答，语气还很温和。那不是诊断，那是风险。参考区间各实验室不同、方法不同，同一管血换一家医院，箭头的方向都可能不一样。AI 能做的，是把纸上的字搬整齐、把偏离的项目挑出来，让你去问真正该问的人。
不是所有图都值得丢给 AI。这张表是我自己踩出来的。
| 图表类型 | 读得准不准 | 建议问法 |
|---|---|---|
| 柱状图、折线图（有标注数值） | 较稳，标注数字基本能抄对 | 先复述轴与单位，再逐项抄标注值 |
| 柱状图、折线图（无数值标注） | 只能读趋势，精度差 | 只问高低、升降、转折点，不问具体数 |
| 双轴图（左右各一根轴） | 容易串轴，最常出错 | 指定「柱对左轴、线对右轴」，让它说明依据 |
| 堆叠图、圆饼图、3D 图 | 不可靠，比例靠目测 | 只问「哪一块最大」，其余回原始表格 |
双轴图最容易读错，问的时候把对应关系写死，它才不会串轴。
再好的问法，也不能保证一次就对。我固定做三件事：
动作一，换个问法再问一次。 第一次问「二〇二三年的营收是多少」，第二次改成「把六个年度的营收由高到低排一遍」。两次答案对不上，那个数就有问题。
动作二，换一个模型再读一次。 不同模型看同一张图，错的地方往往不一样。两个都报同一个数，可信度上一档；不一样，就回原图自己看。
动作三，回到原始出处。 财报回表格，体检回纸本。AI 读图永远是「帮你先看一眼」，不是「替你看完」。
那天下午，我陪朋友把报告按四栏重新列了一遍。超标的其实只有三项，两项是血脂，一项是尿酸，幅度都不大。报告下方医师写的那行建议，他自己翻了三遍都没看见——「建议三个月后复查，饮食清淡」。他盯着那行字看了半天，说了一句：原来报告上早就写了。
坑一：让它「总结这张图」。 这是错误问法的始祖。总结是它的舒适区，它会给你一段挑不出错、也什么都没说的话。
坑二：不给单位。 图上是亿，它答成万，差一万倍，句子照样通顺。你若不追问，这个数就跟着你走进下一份文件。
坑三：拿读图的数去做帐。 图上读出来的数，误差是常态。对帐、报税，一律回原始凭证。
坑四：忽略轴不从零起。 纵轴从八十起，一根小柱子也能看出「暴涨」。看图先看轴的起点，这是财报图最常见的视觉把戏，也是模型最不会提醒你的地方。
坑五：把「不确定」当成它在谦虚。 它说看不清，就是真看不清。别追问「你大概估一下」——你这么一催，它一定给你一个数。
五步，半小时能做完一份年报的核心图表。
第一步，先翻表。 财报打开先找原始数据表，图往后放。有表就不读图。
第二步，拍清楚。 别用压缩过的转发图，截的时候把轴和图例一起框进去。
第三步，讲规矩。 四句话：什么图、横轴、纵轴、单位。加一句「先不要给结论，先复述结构」。
第四步，分段问。 先结构，再取数，最后才问「这说明什么」。顺序颠倒了，它就会拿结论去凑数字。
第五步，三个动作验一遍。 换问法、换模型、回原文。
前几天那份年报，我照这五步走了一遍。真正有用的就三个数：营收增速放缓、毛利率掉了两个点、经营现金流还是正的。其余十几张图，看与不看，结论一样。以前我会从第一页翻到最后一页，现在我知道该在哪三张图上停下来。
图表这东西，本来是为了让人一眼看懂。可年报里的图越画越复杂，体检报告的箭头越印越多。到最后，图不是用来看的，是用来跳过的。
AI 能帮上的忙，说穿了就一句：把「跳过」变成「读完」。 前提是你得先把规矩讲给它听，再让它把数报出来，最后自己回头核一遍。这套流程不炫，但它不骗你。
工具推荐随身机器人（新用户免费试用 7 天）
图读完了，数也抄下来了，接下来是把它们排成一张能看的表。随身机器人能照你定的栏位，把年度、项目、数值、单位一次归位，该核对的地方会提醒你回头看原图。
下一篇预告： 一份文件里几十张图，一张张问太慢——怎么把「读图、抄数、入表」这三步串成一条能重复用的流程，下次讲这个。
业州愚公 ｜ SY 视野（sylogs.com）原创内容，转载请注明出处。
编辑评论 / Editor's Note
人们越来越依赖人工智能来处理复杂的数据，但事实上，AI 的表现往往取决于问问题的方式和对数据的理解。只有当我们清楚地定义问题和提供足够的背景信息时，AI 才能够提供有用的答案。因此，教导 AI 认识和理解数据结构是解决这类问题的关键。