想让讯飞星火做数据分析时自动输出“结论+图表解释”，最直接的做法不是把表格原样丢进去然后等着它自己发挥，而是先调整提示词的结构。
如果把“结论”和“图表解释”混在一个问题里，模型通常会优先返回一段概括性描述，图表说明被压缩成“从图1可以看出”。这不是模型不会看图，而是提示词没有告诉它：结论必须包含业务判断，图表解释必须说明图形维度、数值变化和异常点。
一、先把“结论”和“图表解释”拆开，模型才会分别响应
很多数据分析提示词失败，是因为把“结论”和“图表解释”当成同一个东西。模型收到“帮我分析这份数据”后，只能按照通用习惯输出趋势描述，图表说明往往一句话带过。更合适的做法是，在提示词里给两者下定义：结论是一句话判断，例如“华东区Q2营收增长主要由企业客户复购拉动”；图表解释则要写清“图1为月度营收折线图，横轴为月份，纵轴为营收额，6月出现最高点128万，较5月提升17%，主要原因是续约订单集中交付”。
这样拆分之后，模型在生成时就不会只给一个模糊趋势，而是会分别寻找业务上的核心变化，以及图形上的关键拐点。下面是一个最简提示词示例：
你是一名数据分析师。请根据我提供的数据摘要，输出两部分内容： 1. 结论：用一句话说明最重要的业务发现。 2. 图表解释：如果数据涉及图表，请逐个说明图表类型、横纵轴含义、高点低点、变化幅度和异常点。
这个提示词虽然简单，但已经能明显提升输出完整度。如果再把字段名称和图表编号规则写清楚，稳定率会更高。对复杂表格来说，关键是不要让模型自己去猜哪一列代表什么含义。
二、四个模块搭好提示词：角色、字段、模板、图表规则
要让星火在复杂表格上也能稳定输出结论加图表解释，可以把提示词拆成四个模块。第一是角色，比如“你是资深电商数据分析师，擅长从GMV、转化率、复购率中找异常”。角色越具体，模型越容易调用对应的分析框架，而不是泛泛地输出增长或下降。
第二是字段字典。用户上传的表头不一定直观，gmv、uv、cvr这类缩写需要解释。在提示词里写清楚字段含义，可以避免模型把uv理解成独立访客数还是页面浏览量。例如可以这样描述字段：gmv为当日成交总额，uv为当日独立访客数，cvr为支付转化率。
第三是输出模板。固定模板比自由发挥更容易拿到结构化结果。下面给出一个可复用的模板：
【核心结论】 一句话给出最核心判断。 【数据依据】 列出支撑结论的三个关键数字或变化。 【图表解释】 - 图表1（趋势类）：说明整体走势、最高点、最低点、变化幅度。 - 图表2（对比类）：说明各组差异、最大差值、领先或落后原因。 - 图表3（占比类）：说明前三项占比、长尾项特征。 【业务建议】 给出两条可执行建议。
第四是图表规则，这个模块最容易被忽略。数据分析场景里常见折线图、柱状图、饼图，不同图表要解释的东西不一样。可以用表格明确要求：
| 图表类型 | 必须解释的维度 | 示例表达 |
|---|---|---|
| 折线图 | 趋势、拐点、异常点、累计变化 | 6月出现最高点，较5月提升17% |
| 柱状图 | 对比关系、最高最低、差值 | 华东区比华南区高23% |
| 饼图 | 占比排名、前三项、长尾 | A类商品占比42%，前五类合计81% |
把四个模块都写进提示词后，星火返回的内容基本不会再出现“详情见图”这种空话。每个图表解释都可以直接贴到报告里，不用再做二次润色。
三、用API调用时，让JSON结构锁死“结论+图表解释”
网页对话可以用自然语言提示词，但要在自己的系统里自动解析，最好用API并强制返回JSON。讯飞星火开放平台提供了兼容OpenAI风格的接口，可以在system提示词里放入完整模板，然后让user消息携带数据摘要。返回JSON后，前端可以直接渲染结论和图表解释，不用再做复杂文本切割。
下面是一个Python调用示例，核心是把输出格式写成JSON，并关闭随机性：
import os
import requests
SPARK_API_URL = "https://spark-api-open.xf-yun.com/v1/chat/completions"
API_KEY = os.getenv("SPARK_API_KEY")
system_prompt = """
你是一名数据分析师。请基于用户提供的数据摘要，输出JSON格式结果。
结构如下：
{
"conclusion": "一句话核心结论",
"evidence": ["数字依据1", "数字依据2"],
"chart_explanations": [
{
"chart_name": "图表1",
"chart_type": "折线图",
"explanation": "说明图表类型、横纵轴、趋势、最高点、异常点"
}
],
"suggestions": ["建议1", "建议2"]
}
要求：
1. 图表解释必须引用具体数值。
2. 如果数据不涉及图表，chart_explanations返回空数组。
3. 只输出JSON，不要使用Markdown代码块，不要添加解释文字。
"""
user_content = """
数据摘要：
- 图表1：月度GMV趋势折线图，1月50万，2月47万，3月63万，4月61万，5月78万，6月92万。
- 图表2：各渠道转化率柱状图，自然搜索3.2%，付费广告4.8%，社群5.1%。
"""
resp = requests.post(
SPARK_API_URL,
headers={"Authorization": f"Bearer {API_KEY}"},
json={
"model": "generalv3.5",
"messages": [
{"role": "system", "content": system_prompt},
{"role": "user", "content": user_content}
],
"temperature": 0.2
}
)
result = resp.json()
content = result["choices"][0]["message"]["content"]
print(content)
这段代码里temperature设为0.2，是为了让图表解释少一些想象成分，尽量贴着数据说话。实际使用时，chart_name要和你系统里图表组件绑定，前端拿到JSON后可以按名称匹配到对应图表，再把解释文字渲染在图表下方。
如果接口返回的JSON被包在Markdown代码块里，可以在提示词中重复强调“只输出JSON，不要使用Markdown代码块”。更稳的办法是在解析时先剥离代码块标记，再做json.loads。不过提示词里多强调几次，大多数情况下已经能干净返回。
四、从“能输出”到“能落地”：三个优化技巧
第一，给提示词加“禁止幻觉”的约束。数据分析场景里，模型有时为了凑图表解释，会编一个数据里没有的峰值。可以在提示词末尾加一句：所有数字必须来自用户提供的数据摘要，不得自行补充或推测。 这个约束能明显减少错误引用，尤其是处理销售、财务等严肃数据时。
第二，用少而明确的图表编号。一次分析里图表不要超过三个，并且要在数据摘要里给每张图起好名字，例如“图表1：月度趋势折线图”。如果命名太随意，模型容易把图表解释写串。更好的做法是让图表的chart_name与前端ECharts或AntV图表的组件ID一致，这样接口返回的JSON可以直接驱动页面渲染，不需要人工核对。
第三，控制解释长度。图表解释不是越长越好，能在两到三句话里说清趋势、对比、异常即可。提示词中可以写：每个图表解释控制在60字以内，只写最重要的变化和原因。 这样输出的内容更适合放在图表下方作为注释，也不会淹没核心结论。
这三个技巧叠加起来，基本可以覆盖大多数数据分析报告场景。即使数据量变大，也只需要在数据摘要里增加分组维度和时间范围，不必重写整套提示词。把提示词模板沉淀到系统配置里，后续每次分析都复用同一套结构，输出稳定性会进一步提高。