需本地部署轻量大模型（如Phi-3-mini）并集成Excel工具链：安装量化模型→配置Python环境与openpyxl/pandas→设计JSON约束Prompt→实现清洗流程→支持自然语言转Excel公式。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您希望利用本地运行的大模型对Excel文件进行自动化数据处理，而非依赖云端服务，则需在本地部署具备文本理解与结构化数据操作能力的AI模型，并将其与Excel读写工具链集成。以下是实现该目标的具体操作路径：
一、安装支持本地推理的轻量级大模型
选择可在消费级GPU或CPU上运行的开源大模型，确保其具备基础的指令遵循与表格逻辑理解能力，同时避免对高显存或专用加速硬件的强依赖。
1、访问Hugging Face官网，搜索并下载Qwen2.5-0.5B-Instruct或Phi-3-mini-4k-instruct量化版本（如GGUF格式）。
2、使用llama.cpp或Ollama加载模型，执行命令ollama run phi3验证本地响应能力。
3、确认模型启动后可通过HTTP API（如http://localhost:11434/api/chat）接收JSON格式请求并返回结构化响应。
二、配置Python环境与Excel交互组件
构建本地AI与Excel之间的数据通道，需引入稳定且兼容性强的库组合，确保模型输出能被准确解析为单元格操作指令或表格内容。
1、创建独立虚拟环境：python -m venv excel_ai_env，并激活该环境。
2、安装核心依赖：pip install openpyxl pandas requests python-docx，其中openpyxl用于保留公式与样式，pandas用于中间数据转换。
3、编写基础封装函数call_local_llm(prompt)，向本地API发送含Excel上下文的请求，例如传入前10行CSV样例及任务描述。
三、设计Prompt模板以引导结构化输出
本地小模型易产生自由格式响应，必须通过严格Prompt约束输出为可解析的JSON Schema，从而支撑后续自动写入Excel动作。
1、定义标准输出格式要求：响应必须仅包含一个合法JSON对象，字段包括"operation"（值为"insert"、"filter"、"summarize"之一）、"target_column"、"result_data"（数组形式）。
2、在每次请求中嵌入当前Excel表头与前三行样本数据，例如："表头：[姓名,销售额,部门]；样本：[['张三', 8200, '销售部'], ['李四', 6500, '技术部']]"。
3、附加指令：“不添加任何解释性文字，不使用Markdown，不换行，仅输出纯JSON。”
四、实现自动化数据清洗流程
针对常见脏数据问题（如空值、格式错乱、重复项），调用本地模型生成修复建议并批量执行，避免人工逐条判断。
1、读取原始Excel工作表，提取含空值的列名列表，构造Prompt：“请列出所有应填充默认值的列名，并为每列指定填充规则（如‘销售额’填0，‘部门’填‘未知’）。”
2、接收模型返回的JSON，解析出{"fill_rules": {"销售额": 0, "部门": "未知"}}，遍历对应列执行df[col].fillna(value)。
3、将清洗后DataFrame写回原工作簿新sheet，命名为“清洗结果”，保留原始sheet不变。
五、构建自然语言查询转Excel公式功能
用户输入中文查询（如“计算每个部门的销售额总和”），由本地模型识别聚合意图与字段映射关系，输出对应Excel公式字符串，供自动插入使用。
1、将用户语句与当前sheet全部列名拼接为Prompt，要求模型仅输出一个Excel公式，如=SUMIFS(B:B,C:C,"销售部")。
2、校验输出是否以等号开头且不含非法字符，若校验失败则重新请求并加入示例few-shot：“输入：求A列大于100的B列平均值；输出：=AVERAGEIF(A:A,">100",B:B)”。
3、使用openpyxl的cell.formula属性将公式写入指定单元格，跳过已存在值的区域。
