实测多款AI辅助Excel：复杂任务交付仍易出错

自然语言操控电脑曾被视为AI办公的下一步，但两年前的Office Copilot Pro实测仍常误解指令、操作失误。此次测试发现，AI写公式已较成熟，复杂流程的最终交付却不稳定；载体选择、提示词严谨度和人工复核同样重要，拿到文件后还应修改一次原始数据，确认公式能否自动更新。

测试比较了多种模型及载体，并对原生推理模型统一开启High或深度思考。Office官方加载项主要依靠Office.js，Pi for Excel还可调用Python；Codex等独立工作台则采用“文件+提示词”的端到端方式。OpenAI和Anthropic同时测试了官方加载项与Pi for Excel，其余模型通过Pi for Excel调用。

测试数据覆盖清洗、重复公式和成品交付等场景，题目源自常见Excel工作流，完整用例和提示词可在Notion获取。每轮均使用最新正式版、全新独立文件，并记录耗时、交互次数、硬编码和是否破坏原始数据。

硬编码用于判断结果是动态公式还是后台计算后写入静态值；无损原则则检查原始数据与版式是否被擅自改动。测试重点是数值与逻辑准确性、复杂任务稳定性，以及如何通过提示词构建更可靠的工作流。

数据清洗中，“发现问题”不等于“告知问题”或“正确处理”。在A09姓名匹配测试里，Claude Cowork遇到重名会先询问；ChatGPT for Excel、Claude for Excel和DeepSeek（Pi for Excel）提到重名却默认匹配第一个，Kimi-K3（Pi for Excel）还添加注释；Claude、Gemini（均经Pi for Excel）未提示重名，Workbuddy甚至为找不到的姓名猜填近似值。

A11图书销售分析要求清洗数据、制作透视表、生成季度看板、热力图、区域占比和趋势图，即使提示“有歧义要提问”，也很少能一次完成。常见问题包括同义词未统一、异构字段未处理和文本数字被误判；pandas读取CSV时可能自动转换类型，导致Python结果与Excel原生汇总不一致。

A10和A11共22个文件中，16个创建了透视表，14个使用了正确数据源，但只有6个（27%）计算正确，排序也经常失败。深度思考虽能减少幻觉，复杂任务耗时反而明显增加：A08、A10、A11及Q11共45次测试的人工干预率为51%，A01至A07仅12%。Kimi-K3曾在A10中思考超过25分钟仍未完成排序，DeepSeek v4 Flash修正类型错误耗时10分钟；Claude Cowork曾因残留LibreOffice文件卡住10分钟，Workbuddy执行A10约40分钟仍无进展。