与嵌入 Excel 内部的插件不同，独立工作台（如 Codex 等）采用「文件+提示词一同提交」的端到端交互形式，在独立应用内完成分析并生成最终文件。
我根据我之前的文章《常用 Excel「奇技淫巧」，助你在新的一年处理数据事半功倍，「马到成功」》中所提到的大部分场景，编制了全新的测试用数据集，具体如下表所示。
所有的测试用例及题目所用到的提示词，可以在我的 Notion 页面找到。如果你有自己偏好的模型和载体，也非常欢迎下载本文提供的测试用例和提示词自行测试，看在你的实际工作流中，不同模型和载体的组合能不能复现这篇文章的结果。
其中，在相同的环境下，用所有软件最新的正式版测试。每轮测试均在全新的独立 Excel 文件中执行，文件统一按「题号-三位随机编号」命名。
硬编码情况用于评估 AI 输出的是 Excel 原生动态公式，还是通过 Python 在后台计算完成后直接向单元格写入静态数据（也就是硬编码）。这里会影响表格后续的维护成本。
无损原则则考察 AI 在提示词未明确要求的前提下，是否擅自改动、覆盖或破坏了原始表格中的数据与版式结构。
在这次测试中，我们还会记录任务从发起到交付所需的实际交互次数，当然理想状态是一次就交付。如果执行中出现中断卡死、格式错漏需要人工纠错或催促，则需要额外的交互，我也会记录具体的原因。
我平时用 AI 帮我处理 Excel 表格的场景，不外乎用来：数据清洗、高频重复公式编写以及成品交付。针对这三类场景，我分别设计了难度递进的测试，并在实测中发现了一些非常有意思的现象。
在我的工作中，最耗费精力的就是数据清洗。因为不管是分类汇总、还是分析统计，都需要有可靠、统一的数据。那面对这些繁琐琐碎的脏活累活，AI 的实际表现又如何呢？
大模型从原理来看很擅长处理这类任务，能识别「表述不同但含义相同」的模糊数据；且在正则表达式或 Python 的帮助下，也能批量地处理文本。但不同的 AI 实际表现也不同。例如，在「按姓名匹配员工信息」（测试 A09）这个题目中，姓名存在重名，同时还有两个姓名是找不到的，AI 处理的方式各不相同。
表现最好的是 Claude Cowork，它会主动停下来问我重名员工应该如何处理，并提供了几个选项：备注、只匹配第一个，或者是两个都写上。
ChatGPT for Excel、Claude for Excel、DeepSeek（Pi for Excel） 虽然都在对话里提到了重名，却已经擅自替我做了决定，使用了 XLOOKUP 默认匹配第一个值的情况；Kimi-K3（Pi for Excel） 更进一步，直接在单元格里加了注释。
而 Claude（Pi for Excel）和 Gemini（Pi for Excel）则没有提到重名的情况，直接 XLOOKUP 默认匹配第一个值。
最离谱的是 Workbuddy，对于两个找不到的名字，直接凭空硬凑了两个最像的名字填进去。
面对数据冲突、重复项或匹配缺失等异常情况，在提示词未明确指定清洗与补全规则的前提下，绝大多数产品都选择了「擅作主张」2，出乎了我的意料。
在我看来，任务场景越复杂，「主动向用户提问确认」 就越关键。测试里，AI 翻车也大多数是因为要求模糊，或者数据存在歧义。目前，解决这个问题最好的办法就是，告诉 AI：有歧义要提问。
后续，「图书销售数据分析任务」（测试 A11）复杂程度更高3，在数据清理的基础上，还要分析。我也在提示词中规定了有歧义要提问：
这是某小型连锁书店2025年销售订单记录。现在需要完成以下任务，需要保证可读性。如有任何模糊不清的地方，停下来问我：
不过，即使明确告诉 AI 要「停下来问我」，也并非所有 AI 都会严格执行这一指令。数据错误的类型一多，即使是火眼金睛的 AI 也很难一次就扫到全部的数据问题。
从最终实测结果来看，能够零干预、一次性彻底完成数据清洗的模型很少。不是没能统一同义词、异构字段，就是不能准确理解文本型数字。
我认为，不能准确理解文本型数字，很多时候因为习惯将其转化为 CSV 格式并直接通过 pandas 读取，pandas 的自动类型推断机制把文本型数字悄悄「洗白」了。
一旦 AI 后续尝试用 Excel 内置函数或数据透视表生成结果，Excel 引擎却依然会将这些原始单元格视为文本并排除在计算之外，最终导致 Python 算出的结果与 Excel 原生汇总对不上。
不难发现在清洗数据任务上，我们一定要小心 AI 擅作主张的黑盒决策。而且这些黑盒决策，也容易让我们找不到真正的问题。所以，我们一定要在编写提示词时，更加周密严谨。
测试用例中，「图书销售透视汇总」（测试 A10）和「图书销售数据分析交付」（测试 A11）两个任务在提示词中明确需要创建「数据透视表」，并对透视表字段操作。要做数据透视表的前提就是数据足够规整。
所以，这个测试除了能检测 AI 能不能清洗数据，也能测试 AI 分析数据和操作数据透视表的能力。
最终结果如下，在这两个任务的 22 个输出文件中，16 个（73%）都创建了数据透视表，且 14 个引用了正确的数据源区域，但只有 **6 个（27%）**的计算结果是正确的。
另外，对数据透视表的排序也是难倒一大片 AI。Kimi K3（Pi for Excel）为了给数据透视表排序，硬生生思考到了载体最大限制好几次。最终没有在数据透视表中实现「按照销售额从高到低排序」。
深度思考能显著提升推理能力、减少幻觉。因此在测试中，我给予了模型充分的思考空间，统一将思考强度设定为「高」档。但思考深度并非越高越好，当思考链路过深、耗时过长时，我发现模型更容易陷入自我怀疑与反复推演的过程里。
如上图所示，随着任务难度层级的攀升，模型的运行耗时明显变长。特别是，在长流程复杂任务（A08、A10、A11 及 Q11）的 45 次实测中，需要人工介入干预的比例高达 51%；而相比之下，A01 到 A07 等短流程基础题目的人工干预率仅有 12%。
我也简单分析了下模型为什么运行时间会变长。最主要的就是模型会因为小问题过度思考。比如：Kimi K3（搭载 Pi for Excel）在执行 A10（图书销售透视汇总）任务时，反复纠结于如何使用 Office.js API，在超过 25 分钟后选择放弃使用数据透视表对数据排序。类似的，在人工提示分类计算有误后，DeepSeek v4 Flash 在思考 10 分钟后，才意识到「数据类型不匹配」。
其次，模型卡住了。比如：Claude Cowork 在执行「考核成绩信息表及分析交付」（测试 A08）任务时，因为之前的 LibreOffice 文件残留，卡住了 10 分钟。Workbuddy（使用 Hy3 模型）执行 A10 任务时跑了 40 分钟还没有解决问题，且没有任何后续输出。
最后则是载体本身的限制。Pi for Excel 对单次推理设置了 4096 个词元的思考长度上限，所以一旦模型单次思考过长，就会被 Pi for Excel 截断，只能依靠我的提示继续。