企业官网建设流程全解析

背景：一个看起来很简单的需求

需求原始描述只有一句话：

"把这个文件夹里的 Excel 按月汇总，生成一张总表。"

听起来是个人都能干。文件夹里有 500 多个 xlsx，来自四个部门，命名规则四种，表头格式三种，还有一个是 .xls 老格式。

我的目标很明确：让 AI 桌面助手把这活干完，我只看结果。

选型时我同时试了三款走"本地执行"路线的产品：AiPy、LobsterAI、NIS。这篇不讲怎么选的，只讲把任务真正跑通的过程中，踩了哪些坑。

文末附我最终沉淀下来的任务描述模板和自查脚本仓库。

坑一：第一版提示词，跑出来一份"看着对其实错"的表

我第一版提示词是这样的：

把这个文件夹里的 Excel 按月汇总，生成一张总表。

跑完AI给我一张表，有月份列、有金额列、有合计行。我抽查了三个月，数字对得上。差点就交了。

第四天我多做了一步：拿原始文件里一个月的数，用 Excel 自己算了一遍。

差了 8000 多。

回去翻 AI 的执行日志，发现它做了三件我没授权的事：

遇到表头列名不完全一致时，按列的位置猜了对应关系，把 A 部门的"含税金额"和 B 部门的"金额（不含税）"加到了一起；

遇到空行和合并单元格，直接跳过了，没报异常；

有三个文件它没读到，但没告诉我，只在日志里留了一行 warning。

三个问题单独看都不致命，叠在一起就是一份错的表。

教训：提示词里必须写清"遇到不一致怎么办"，以及"必须报告未处理的文件"。

改后的提示词长这样：

任务：汇总 D:\data\2026 下所有 Excel 的月度金额。输入范围：- 目录 D:\data\2026，含子目录- 文件类型：.xlsx 和 .xls- 不要读取临时文件（~$ 开头）处理规则：1. 先扫描全部文件，列出文件名、sheet 名、前 5 行表头，让我确认列映射2. 列名映射规则：优先按表头文字匹配，匹配不到的不要猜，单独列出让我确认3. 遇到合并单元格、空行、公式单元格，记录到"异常清单"，不要静默跳过4. 所有金额列按"不含税金额"口径汇总；如果文件只有含税额，除以 1.13 并在备注列标注5. 不要删除、移动、修改任何原始文件输出要求：- 生成 monthly_summary.xlsx，含三张 sheet：月度汇总、明细、异常清单- 异常清单必须包含：未成功读取的文件、列名无法匹配的文件、数据异常的行验收：- 处理完成后，报告成功读取文件数、失败文件数、总行数- 如果有任何失败或不确定项，停下来问我，不要自行决定

关键改动是加了"先扫描再确认"这一步。让它先干识别，我确认映射关系后再跑汇总。多了一步交互，但避免了整批跑完发现口径错了要重来。

坑二：让它自己决定"清理重复文件"，差点出事

第二个任务更刺激。我说：

"这个文件夹里有很多重复的截图和文档，帮我整理一下，重复的删掉。"

它确实找到了重复文件（按 MD5），也确实生成了清单。但它在执行删除前问了我一句："是否保留每个重复组中修改时间最新的那份？"

我停下来想了一下——如果我没看这一句，直接点了继续，会发生什么？

那个文件夹里有 2000 多个文件，其中有一批是设计稿的 v1、v2、v3 版本。按 MD5 它们不是重复的。但另一批是同一张图的不同副本，其中最新那份恰好是我后来裁错尺寸的版本。

"保留最新"这个规则，对截图是对的，对版本文件是错的。

教训：批量删除类任务，规则必须写死，不能让 AI 做语义判断。

后来我改成：

整理规则：1. 按 MD5 分组，完全相同的文件才算重复2. 每个重复组保留"修改时间最早"的那一份（最早的是原始下载版）3. 文件名含 v\d+ 或 _\d+ 的，一律不参与删除，单独列出4. 所有被判定为重复的文件，先移动到 D:\dedup_backup，不要直接删除5. 移动完成后，报告每个分组的文件数和保留的那一个6. 备份目录保留 7 天后由我手动清理

第三条是这次踩坑后加的：版本号文件不碰。第四条是把"删除"改成"移动"——出了问题时还能捞回来。

坑三：断网测试，才发现它一直在偷偷联网

前两个坑是结果层面的。第三个坑是数据安全层面的，也是最让我后怕的。

我当时的假设是：我配了本地模型，任务又都是本地文件处理，那数据肯定没出去。

有天做了个测试：跑任务前把网线拔了。

第一个任务（文件汇总）跑完了，正常。

第二个任务失败了，报错是"无法连接服务"。我回去看日志，发现这个任务里有一个步骤是"识别图片中的文字"——它调用了云端的 OCR 接口。

第三个任务也失败了，报错是搜索超时。因为我提示词里写了"如果表头不认识，搜索一下常见叫法"。

三款产品都有类似情况。其中一款更隐蔽：它在设置里有"联网增强"开关，默认开着，且没在任务执行时提示。

教训："支持本地模型"不等于"所有功能都离线"。必须逐项确认哪些功能会发起网络请求。

我的处理方式：

把设置里所有联网相关开关关掉，逐个确认关掉后任务还能不能跑；

提示词里删掉一切可能触发搜索的表述；

跑任务时开网络监控（下面会给出命令），看有没有意外连接；

检查临时目录和缓存目录，看任务结束后有没有残留文件内容。

坑四：目录白名单没配对，它去读了我没想让它读的地方

第四个坑和权限有关。

我让它处理 D:\data 下的文件，它跑是跑完了。但我后来在日志里看到，它为了"确认文件类型"，读了我另外几个目录的文件名列表——包括桌面、文档、下载文件夹。

它没读内容，只读了文件名列表。但这件事让我意识到：如果我不显式限定范围，它的操作边界比我想的宽。

后来我的做法是：每款产品都找到目录白名单配置，只授权一个专门的工作目录，其他全部不授权。任务需要读的文件先手动复制进工作目录。

牺牲了一点便利，换来了可控。

坑五：定时任务设了，但没人告诉我它失败了

最后一个坑，出在我把任务固化下来之后。

有个任务是每天凌晨跑一次数据汇总。我设置完就没管。一周后我去看结果，发现有三天的结果是空的。

回去查才发现：那三天有两天是源文件没按时传到目录（上游延迟），一天是磁盘满了。它都"跑完了"，只是产物是空文件或者没生成。而它的通知机制是——任务成功才通知，失败不通知。

教训：自动化任务的失败通知，比成功通知更重要。

我的补救是加了一个独立的校验脚本，每天定时检查产物文件是否存在、行数是否符合预期，不符合就发通知。这个脚本不依赖 AI 助手，纯 Python，这样 AI 助手本身出问题也能发现。

沉淀：我现在用的任务描述模板

踩完这五个坑，我把任务描述固定成了一个模板。分享出来，你可以直接用。

【任务目标】一句话说明要达成什么结果。【输入范围】- 目录：- 文件类型：- 是否含子目录：- 排除规则（临时文件、特定前缀等）：【处理规则】1. 先扫描并列出待处理文件清单，等我确认后再执行2. 字段/列名映射：优先文字匹配，匹配不到的列出让我确认，不要猜测3. 异常处理：合并单元格、空行、公式、编码异常——记录到异常清单，不静默跳过4. 口径定义：（写死计算规则，不要让它自行推断）5. 禁止操作：不得删除、移动、覆盖任何原始文件【输出要求】- 文件格式与命名：- sheet/章节结构：- 必须包含异常清单【验收标准】- 报告成功数、失败数、总处理行数- 关键指标抽样复算- 有不确定项必须停下来问，不要自行决定【安全约束】- 只访问上述指定目录- 不发起任何网络请求- 不在临时目录留下文件内容

这个模板的核心思想是：把"判断"留给人，把"执行"交给 AI。AI 擅长按明确规则干活，不擅长在模糊场景下替你做决定。一旦让它做决定，出错只是时间问题。

沉淀：一个任务前后都要跑的自查脚本

这段脚本我在每次跑批量任务前后各跑一次，确认环境干净、产物完整。无第三方依赖。

#!/usr/bin/env python3# -*- coding: utf-8 -*-"""批量文件处理任务的前后自查脚本用途：跑 AI 助手任务前确认环境与输入，跑完后确认产物完整"""import hashlibimport sysfrom pathlib import Pathfrom datetime import datetimedef fmt_size(n): for unit in ["B", "KB", "MB", "GB"]: if n < 1024: return f"{n:.1f}{unit}" n /= 1024 return f"{n:.1f}TB"def scan_dir(root, exts=None): """扫描目录，返回文件信息列表""" root = Path(root) if not root.exists(): print(f"[错误] 目录不存在：{root}") return [] files = [] for p in root.rglob("*"): if not p.is_file(): continue if p.name.startswith("~$") or p.name.startswith("."): continue if exts and p.suffix.lower() not in exts: continue try: st = p.stat() files.append({ "path": p, "size": st.st_size, "mtime": datetime.fromtimestamp(st.st_mtime), }) except Exception as e: print(f"[警告] 无法读取 {p}: {e}") return filesdef file_md5(path, limit_mb=64): """计算文件 MD5，超大文件只读前 limit_mb 避免卡顿""" h = hashlib.md5() read = 0 with open(path, "rb") as f: while read < limit_mb * 1024 * 1024: chunk = f.read(1024 * 1024) if not chunk: break h.update(chunk) read += len(chunk) return h.hexdigest()def pre_check(root, exts): """跑任务前：确认输入完整""" print("=" * 56) print(" 任务前检查") print("=" * 56) files = scan_dir(root, exts) total = sum(f["size"] for f in files) print(f"目录 : {root}") print(f"文件数 : {len(files)}") print(f"总大小 : {fmt_size(total)}") if files: newest = max(f["mtime"] for f in files) oldest = min(f["mtime"] for f in files) print(f"修改时间范围: {oldest:%Y-%m-%d %H:%M} ~ {newest:%Y-%m-%d %H:%M}") zero = [f["path"].name for f in files if f["size"] == 0] if zero: print(f"[注意] {len(zero)} 个空文件：{zero[:5]}") # 记录输入快照，任务后比对 snapshot = {str(f["path"]): (f["size"], f["mtime"]) for f in files} return files, snapshotdef post_check(root, exts, snapshot, expect_min_rows=None): """跑任务后：确认产物完整、原件未被改动""" print("\n" + "=" * 56) print(" 任务后检查") print("=" * 56) files = scan_dir(root, exts) print(f"当前文件数 : {len(files)}（任务前 {len(snapshot)}）") changed, added, missing = [], [], [] now = {str(f["path"]): (f["size"], f["mtime"]) for f in files} for k, v in snapshot.items(): if k not in now: missing.append(k) elif now[k] != v: changed.append(k) for k in now: if k not in snapshot: added.append(k) if missing: print(f"[警告] {len(missing)} 个文件消失：") for m in missing[:10]: print(" - " + m) if changed: print(f"[警告] {len(changed)} 个文件被修改（原始文件不应被改动）：") for c in changed[:10]: print(" - " + c) if added: print(f"[信息] {len(added)} 个新文件（可能是产物）：") for a in added[:10]: print(" + " + a) if not (missing or changed): print("[通过] 原始文件未被改动，无文件消失") # 检查产物文件 for name, min_rows in (expect_min_rows or {}).items(): p = Path(root) / name if not p.exists(): print(f"[失败] 未找到产物：{name}") continue size = p.stat().st_size if size == 0: print(f"[失败] 产物为空文件：{name}") continue print(f"[通过] 产物存在：{name}（{fmt_size(size)}）") if min_rows: try: import openpyxl wb = openpyxl.load_workbook(p, read_only=True) ws = wb.active rows = ws.max_row or 0 wb.close() status = "通过" if rows >= min_rows else "不足" print(f" {status}：实际 {rows} 行，预期至少 {min_rows} 行") except ImportError: print(" （未安装 openpyxl，跳过大纲行数检查）") except Exception as e: print(f" [警告] 读取产物失败：{e}")if __name__ == "__main__": # ==== 按你的实际情况改这三行 ==== WORK_DIR = r"D:\work" # 工作目录 EXTS = {".xlsx", ".xls", ".csv"} # 关注的文件类型 EXPECT = {"monthly_summary.xlsx": 10} # 产物名: 至少行数 # ================================= print(f"自查时间：{datetime.now():%Y-%m-%d %H:%M:%S}\n") files, snap = pre_check(WORK_DIR, EXTS) if not files: print("\n[中止] 目录为空或无匹配文件，请检查路径。") sys.exit(1) input("\n确认输入无误后按回车，开始执行 AI 任务...") # ---- 这里手动去跑 AI 任务 ---- input("AI 任务完成后按回车，开始任务后检查...") post_check(WORK_DIR, EXTS, snap, EXPECT)

用法：跑任务前跑一次 pre_check 记录输入快照，任务跑完再跑 post_check 比对。它会告诉你原始文件有没有被改动、有没有文件消失、产物是否生成、行数够不够。

这几个检查项，全是我这次踩坑踩出来的。

三款产品的横向体验

把三款放在一起说下实际感受。这不是性能评测，是不同设计取向带来的体验差异。

三款里我最终把批量数据处理的任务固化在 AiPy 上，原因是它对"目录白名单 + 删改确认 + 审计日志"这三件事有现成设计，不用我自己在脚本层面再包一层。LobsterAI 我留着做数据最敏感的那类任务，因为它全开源，我能自己查代码确认数据流向。

但再次强调：这个选择是基于我的任务类型和数据敏感级别，不是普适结论。你要操作老旧软件，就该去看 GUI 路线；你想完全自己搭，就该去看 OpenClaw 那类。

十条踩坑结论

提示词必须写"遇到不一致怎么办"，不能只说"汇总一下"。

批量删除类任务，规则写死，别让 AI 做语义判断；能移动就别删除。

"支持本地模型" ≠ "全功能离线"，拔网线测一遍最诚实。

目录白名单要显式配置，否则它的读取范围比你想的宽。

失败通知比成功通知重要，用独立脚本校验产物。

先扫描、确认映射、再执行，比一把梭完再返工省时间。

原始文件设为只读或移出工作目录，从机制上防止被改。

异常清单是必需品，没有异常清单的产物不敢用。

口径必须写死，"金额"这种词在不同部门含义不同。

任何任务先小批量验证，跑通再上全量。

最后

用 AI 助手干批量活，最深的体会是：它像一个新来的实习生，能力不差，但需要极其明确的指令和完善的验收。

你指望它"看着办"，它就真的会"看着办"——然后办出你以为的结果。

所以我现在花在写任务描述上的时间，比花在跑任务上多。但这笔时间花得值，因为它把"返工"和"出错"的概率压下来了。

附：资源索引

内容包含：任务描述模板（Markdown）、任务前后自查脚本（task_selfcheck.py）、踩坑记录原始日志、权限配置示例

脚本无第三方依赖，Python 3.6+ 直接运行；行数检查需要 openpyxl，没有也能跑其他部分

本文记录的是个人在真实任务中的使用体验，测试环境为 Windows + aarch64 Linux，未做统一硬件基准测试。产品行为可能随版本变化，请以实际版本表现为准。