AI

为什么做这件事 做财务分析这些年，Power BI 是我最趁手的工具。但它有一个绕不开的问题：成品不好分享。 发给同事？对方要装 Power BI Desktop，还要会用 换一家公司、换一套数据？报表里的数据源、清洗逻辑、度量值要重新配一遍 想改个指标？得打开文件、改 DAX、刷新、重新发布 我的想法很简单：能不能把我做的数据建模"固化"成一个网页看板系统——别人只要丢一个 Excel 文件进来，看板就自动出数，还能交互、能分享，甚至不用装任何软件？ 这个想法验证了一个周末，成了。这篇文章记录完整过程。 整体思路 Power BI 的本质是"数据建模 + 度量值 + 可视化"三件套。我的思路是拆开它们： Power BI 当设计台：建模、验证、预览效果，这是它最擅长的事 模型定义文件当产品核心：把表结构、关系、度量值全部固化成一份代码定义（model.json） Web 引擎当成品：ECharts 看板 + 数据引擎，接受任何人的 Excel，自动算出所有指标 翻译过去之后，Power BI 文件不再是必需品——模型资产变成了代码资产，可版本控制、可分享、可迭代。 四步做法 第一步：识别模型（AI 读取 Power BI） 用微软官方的 Power BI 建模 MCP 工具，直接连接正在运行的 Power BI Desktop，把整个语义模型导出为 TMDL 格式（Power BI 模型的标准文本格式）。 导出的内容让我有点意外——这个模型比我想象的完整： 8 张表：1 张事实表（报表数据：公司/报表类型/报表项目/报表日期/金额）+ 7 张维度表（利润表结构、资产负债表结构、现金流量表结构、杜邦分析结构、日期表、公司名称等） 5 条关系：事实表分别关联各结构表和日期表 74 个度量值：从基础的营业收入、净利润，到杜邦分析的净资产收益率、权益乘数，再到存货周转天数、运营周期 AI 能完整识别数据建模，这条路是通的。 第二步：翻译度量值（DAX → Python） 这是整个流程里最有意思的一步。74 个 DAX 度量值，看起来复杂，但翻译成代码后模式其实很清晰： ...

背景 2026年6月26日，我在华帝财务部做了一场内部分享会，主题是「AI 工具在财务工作中的落地应用」。 不讲虚的理论，每个板块一个我自己做过、用过的真实案例。 四个阶段，从简单到进阶 整个分享分了四个板块，按财务人员能接受的程度从低到高排列： 阶段 做什么 用到的工具 一 AI 帮你写公式 豆包 / Kimi / ChatGPT 二 ⭐ 专业问答助手 + 多维表格看板 Coze + 飞书多维表格 三 办公 Agent 自动推送信息 Hermes Agent + 飞书 四 编程 Agent 帮你造小工具 Claude Code / Trae 阶段一：AI 帮你写公式 痛点 对财务工作者来说，最常用的"代码"不是 VBA、不是 Python，而是两样东西： Excel 公式：嵌套三层以上的 IF、VLOOKUP 报错排查、INDEX+MATCH、SUMIFS——复杂公式大家都需要，但大家都不愿意写 Power Query 的 M 语言：自动化数据清洗的脚本语言，一次编写重复使用 解法 把需求描述给 AI，直接让它生成公式或代码。 案例：SAP 报表一键规范化 场景：公司 SAP 系统导出的数据有 87 列，标准管理报表格式要 78 列，需要删减、增加、规范字段。以前每次都手动做，至少 20 分钟。 ...

项目背景 工抵房（工程款抵房）是很多制造企业的常见业务——供应商用房子抵工程款，公司收到房子后需要管理这些资产的处置进度、资金回笼情况。 以前的管理方式是 Excel 表格 + 微信群通知，几个问题： 谁负责哪套房的处置？不知道，得翻聊天记录 这套房子现在什么状态？Excel 更新不及时 总体回款了多少？手动汇总，每次都要重新算 6月底，我用飞书多维表格的 AI 功能，从一份需求文档出发，搭了一个工抵房资产管理系统。 👉 需求文档： 工抵房管理系统需求文档 👉 在线系统： 工抵房资产管理系统 技术选型：为什么不用 Power BI？ 在做这个系统之前，我先对比了两个方案： 维度 Power BI 飞书多维表格 + AI 学习成本 需要学 DAX、PowerQuery M 语言 自然语言描述需求即可 数据建模 手动建表关系 无需建模，表格就是数据源 协作 分享需要许可证、刷新依赖桌面端 多人实时协作、手机端可用 开发速度 至少半天到一天 30 分钟 适用场景 复杂大型数据分析 中小规模业务管理系统 结论：工抵房管理本质是一个协作+数据追踪的场景，不是复杂数据分析。飞书多维表格更合适。 搭建过程 第一步：写需求文档 我没有直接打开多维表格就建字段，而是先写了一份需求文档，把业务逻辑理清楚： 数据结构：每套工抵房一条记录，包含项目名称、房号、面积、抵款金额、处置状态、责任人、回款进度 视图需求：全员看板（图表联动）、个人工作台（只看自己的任务）、处置进度甘特图 权限：财务主管看全部，经办人只看自己负责的 报表：总回款统计、按项目汇总、按状态分布 第二步：AI 生成表格结构 打开飞书多维表格 → 新建 → 在 AI 助手里粘贴需求文档的核心内容 → AI 自动生成： 表格字段（文本、数字、日期、单选、人员） 看板视图配置 图表仪表盘 不需要手动建字段、不需要写公式。AI 读了需求文档后直接输出结构。 ...

背景 每天早上 8:30 上班，我需要快速了解 AI 行业动态、厨电板块变化、房地产政策——这本来是每天早上花 30-40 分钟刷十几个网站才能完成的事。 后来我用 Hermes Agent 搭了一个系统：每天早上 7:50 自动生成一份晨间情报，推送到我手机飞书上。从那天起，我睁眼看手机就能读完今天的重点，再也不用自己刷了。 系统是怎么工作的 整个流程分成三步： 第一步：定时触发 Hermes 有一个 cron 调度器，我设置了一条定时任务： 每天 7:50 执行 → 晨间投研情报 到点自动启动一个 AI 会话，把我的提示词和技能加载进去。 第二步：AI 自动采集信息 系统启动后，AI 会做这些事情： 批量拉 RSS 源 — TechCrunch、CNBC、36氪 等十几个科技/财经 RSS，几秒钟获取 50+ 条最新标题 搜索补充 — 用 Bing 国际版搜中文关键词（AI 融资、厨电数据、房地产政策） 股票数据直取 — 东方财富 API 拿华帝股份的实时股价、PE、毛利率等财务数据 交叉验证 — 同一个事件至少 2-3 个独立来源确认，单个自媒体的直接过滤 第三步：生成报告 + 推送到飞书 AI 把收集到的信息按固定模板整理成四块： 板块 内容 🤖 AI 与金融 大模型融资、AI 应用动态、行业趋势 🍳 厨电板块 华帝/老板/方太的动态、行业数据、原材料价格 🏠 房地产 政策变化、成交数据、城市更新、产业链联动 🦾 具身智能 人形机器人、自动驾驶、AI 硬件 每块里的每条洞察都是三段式：发生了什么 → 为什么重要 → 来源链接。 ...