Workflow agenta Gemini 3: Od uploadu CSV do wniosków
Gemini3 Team · 7 sierpnia 2026 · 5 min read
Dla kogo jest ten workflow
Analitycy danych, managerowie operacyjni i założyciele firm często toną w arkuszach kalkulacyjnych. Macie kwartalne dane sprzedażowe, logi magazynowe lub opinie klientów zapisane w plikach CSV, ale wydobywanie sensownych wzorców wymaga godzin ręcznego filtrowania i tabel przestawnych. Ten poradnik jest dla praktyków, którzy chcą zautomatyzować wstępną warstwę analizy bez pisania skryptów Pythona czy zarządzania złożonymi pipeline'ami ETL.
Budujemy powtarzalny wzorzec agenta przy użyciu Gemini 3 na MidassAI Chat. Celem nie jest tylko odczytanie danych, ale zaplanowanie analizy, wykonanie jej i walidacja wyników przed podjęciem decyzji biznesowych. To podejście redukuje ryzyko halucynacji i zapewnia, że AI działa jako niezawodny analityk, a nie kreatywny pisarz.
Przygotowanie danych dla agenta
Przed promptowaniem agenta musisz wyczyścić dane wejściowe. Gemini 3 dobrze radzi sobie ze strukturalnymi danymi, ale bałagan w nagłówkach lub niespójne formatowanie powodują błędy logiczne. Częstym błędem jest uploadowanie CSV z połączonymi komórkami lub wielowierszowymi nagłówkami wyeksportowanymi z Excela.
Zacznij od otwarcia arkusza i upewnienia się, że pierwszy wiersz zawiera unikalne, płaskie nazwy kolumn. Unikaj spacji w nagłówkach; użyj zamiast nich podkreślników. Na przykład, zmień Order Date na order_date i Total Revenue ($) na revenue_usd. Usuń wszelkie notatki w stopce lub wiersze podsumowujące na dole arkusza. Agent powinien widzieć tylko surowe rekordy.
Jeśli Twój plik przekracza 50MB, podziel go według kwartałów lub regionów. Chociaż Gemini 3 obsługuje duże konteksty, mniejsze fragmenty pozwalają na precyzyjniejsze debugowanie, jeśli agent źle zinterpretuje konkretny segment. Zapisz oczyszczony plik jako CSV zakodowane w UTF-8. To kodowanie zapewnia, że specjalne znaki w nazwiskach klientów lub opisach produktów nie zepsują logiki parsowania podczas fazy uploadu na MidassAI Chat.
Definiowanie roli i ograniczeń agenta
Gdy dane są gotowe, musisz ustawić guardrailse behawioralne. Nie pytaj po prostu: „Analizuj to". To zaprasza do niejasnych podsumowań. Zamiast tego, przypisz konkretną personę i zestaw ograniczeń. W instrukcji systemowej lub początkowym prompcie zdefiniuj agenta jako „Starszego Analityka Danych skupionego na optymalizacji przychodów".
Jasno określ, czego agent nie może robić. Na przykład, poinstruuj go, aby nie wnioskował o brakujących wartościach, ale oznaczał je jako null. Każ mu unikać zewnętrznych założeń dotyczących warunków rynkowych, chyba że są podane w oknie kontekstowym. To redukuje ryzyko, że AI wyhalucynuje zewnętrzne czynniki ekonomiczne, aby wyjaśnić spadek sprzedaży.
Oto solidna struktura dla Twojego początkowego promptu systemowego:
- Rola: Starszy Analityk Danych.
- Zadanie: Zidentyfikuj najlepiej radzące sobie regiony i flaguj anomalie.
- Ograniczenie: Nie obliczaj procentów bez pokazania najpierw surowych liczb.
- Format outputu: Tabele Markdown z czytelnymi nagłówkami.
Blokując personę, zapewniasz spójność across multiple sessions. Jeśli udostępnisz ten workflow członkowi zespołu, powinien otrzymać tę samą głębię analityczną bez konieczności ponownego trenowania agenta na Twoich preferencjach.
Najważniejsze informacje
Faza wykonania: Prompting do analizy
Gdy kontekst jest ustawiony, przejdź do fazy wykonania. To miejsce, gdzie wykorzystujesz możliwości rozumowania Gemini 3. Zamiast prosić o finalny report immediately, rozbij request na chain of thought. Poproś agenta, aby najpierw zarysował swój plan analizy.
Przykład promptu: „Przejrzyj przesłany plik CSV. Zarysuj trzy kroki, które podejmiesz, aby zidentyfikować anomalie przychodów przed wygenerowaniem finalnego raportu."
To forces the model to show its work. Jeśli plan wygląda na błędny — na przykład, jeśli planuje porównać dane bieżącego miesiąca z kolumną, która nie istnieje — możesz to poprawić, zanim zmarnuje tokeny na generowanie useless output. Gdy plan zostanie zatwierdzony, poinstruuj agenta, aby kontynuował.
Gdy requestujesz specific metrics, bądź precyzyjny co do stref czasowych i konwersji walut. Jeśli Twój CSV zawiera timestampy w UTC, ale Twój biznes operates in EST, specify the conversion logic explicitly. Gemini 3 może obsłużyć tę transformację, ale tylko jeśli zostanie poinstruowany. Niejednoznaczność tutaj prowadzi do błędów w raportach, które mogą wyglądać poprawnie na pierwszy rzut oka, ale są fundamentalnie wadliwe.
Walidacja i obsługa błędów
Nigdy nie ufaj pierwszemu outputowi blindly. Modele AI mogą popełniać błędy arytmetyczne lub misalign rows during processing. Zaimplementuj krok walidacji, gdzie prosisz agenta o self-critique.
Promptuj agenta: „Przejrzyj wygenerowaną tabelę. Sprawdź trzy losowe wiersze względem oryginalnych danych CSV, aby zweryfikować accuracy. Zgłoś wszelkie rozbieżności."
Ta prosta pętla weryfikacyjna łapie większość halucynacji. Jeśli agent zgłosi rozbieżność, poproś go o regenerację specific section rather than the entire report. Another common issue is formatting drift. Agent może przełączyć się z tabel Markdown na bullet points midway through. Reiterate the output format constraint if you notice consistency slipping.
Dla critical financial data, cross-reference the AI's total sums with your spreadsheet software's native sum function. Użyj AI do pattern recognition and anomaly detection, ale rely on deterministic tools for final accounting validation. To hybrid approach maksymalizuje speed while maintaining integrity.
Skalowanie workflow
Gdy masz zwalidowaną prompt structure, zapisz ją jako template within MidassAI Chat. Nie powinieneś przepisywać system prompt for every new dataset. Parametryzuj prompt gdzie to możliwe. Na przykład, użyj placeholders like [TARGET_METRIC] or [TIME_PERIOD] so you can swap variables without altering the core logic.
Gdy volume danych rośnie, consider automating the file cleaning step. Jeśli łapiesz się na ręcznym renameowaniu headers every week, napisz prosty script to preprocess the CSV before upload. To keeps the AI interaction focused on high-value analysis rather than data janitorial work.
Team collaboration is another scaling factor. Share the successful prompt chain with your colleagues. Consistency in prompting ensures that when the marketing team and the sales team run analysis on the same data, they receive comparable insights. To alignment prevents internal disputes over conflicting data interpretations.
Building a reliable agent workflow requires iteration. Twój pierwszy prompt może yield 80% accuracy. Refine the constraints and validation steps to push that to 95%. The power of Gemini 3 lies not just in its intelligence, but in how precisely you direct that intelligence toward your specific business context.
Gotowy, aby streamline your data analysis? Test this workflow with your own datasets and see how much time you can reclaim from manual spreadsheet work.