功能建议：在WPS AI函数中引入Python数据分析能力

背景与现状

WPS 表格目前存在三条并行的智能化路径：

• AI 函数体系：以 WPSAI()、WPSAI.CLASSIFY()、WPSAI.EXTRACT()、WPSAI.SUMMARIZE()、WPSAI.TRANSLATE()、WPSAI.SENTIANALYSIS()、WPSAI.ASSOCTRANS() 为代表，通过自然语言调用大语言模型，在单元格内完成文本分类、信息提取、摘要生成、翻译、情感分析等任务。其本质是将单元格数据作为 prompt 的一部分发送至云端 LLM，返回文本结果。

• AI 数据分析功能：通过顶部菜单栏「WPS AI」→「AI 数据分析」入口触发，用户以自然语言描述分析需求，系统自动完成需求拆解、生成 Python 分析代码、执行计算并输出分析报告。该功能的底层实现即为 Python 数据处理。社区用户浩平在实践帖中描述了其执行流程：提交需求后，系统自动进行需求拆解（梳理分析维度、关联字段建立逻辑），随后生成数据分析代码并自动完成数据合并、计算、格式优化，全程无需用户编写代码（《用 WPS AI 做数据分析，真香！！！》）。社区用户闵鑫亦指出，该功能生成的数据可视化图表是通过 Python 代码生成的，且生成后的图表支持在表格中直接进行二次编辑（《教师高效办公利器：WPS AI一键搞定数据分析与图表生成》）。

• PY 脚本编辑器：嵌入 WPS 表格桌面端（v12.1.0+）的 Python 执行环境，支持 Python 3.8，预装 Pandas、NumPy、Matplotlib、pyecharts、akshare、tushare、baostock、pymysql、pytorch 等库，通过内置的 xl() 和 write_xl() 函数实现与表格数据的双向读写。

这三条路径目前彼此独立，形成了功能上的"孤岛"。

问题分析

1. AI 函数缺乏计算分析能力

现有 AI 函数（如 WPSAI.CLASSIFY、WPSAI.EXTRACT）本质上执行的是文本理解与生成任务，输出为纯文本。当用户需要执行数值计算、统计分析、数据聚合等操作时（例如"对各区域销售额进行分组统计并计算同比增长率"），AI 函数无法胜任——它既不具备直接访问 Pandas 等计算库的能力，也无法输出结构化的数值结果供下游公式引用。

2. PY 脚本编辑器缺乏 AI 感知能力

PY 脚本编辑器虽然具备完整的 Python 执行环境，但其使用方式为独立代码面板——用户必须手动编写或粘贴 Python 代码，点击运行按钮执行。该路径缺乏与 AI 的集成：用户无法通过自然语言在单元格层面触发 Python 脚本，也无法让 AI 根据上下文自动生成分析脚本。

3. AI 数据分析能力未接入函数体系

「AI 数据分析」功能已经具备"自然语言 → Python 代码生成 → 执行 → 输出结果"的完整技术链路，但其能力被限制在独立面板中，未开放给 AI 函数体系调用。这导致以下结构性问题：

• 结果不可引用：分析报告以独立面板或工作表呈现，其产出无法作为单元格值被其他公式引用，也无法嵌入到现有的公式体系中参与链式计算。

• 流程不可自动化：每次使用都需要用户手动触发入口、输入指令、等待执行，无法像函数那样随数据更新自动重新计算。

• 能力不对等：AI 函数和 AI 数据分析功能分别调用同一套 AI 后端，但前者仅暴露文本处理能力，后者可调用 Python 执行环境——两者的能力差异并未在函数层面得到统一。

功能建议：将 AI 数据分析的 Python 能力引入 AI 函数

核心设计

建议在 WPS AI 函数家族中新增 WPSAI.ANALYZE() 函数，让用户无需编写代码，在单元格中即可通过自然语言完成数据分析。

函数签名：

=WPSAI.ANALYZE(data_range, analysis_instruction, [output_type])

工作流程

该函数的内部执行链路如下：

1. 数据采集：从 data_range 提取当前工作表中的数据，构造为结构化输入。

2. 代码生成：将 data_range 的结构信息（列名、数据类型、样本数据）与 analysis_instruction 一并发送至 AI 后端，由大语言模型生成对应的 Python 分析代码（基于 Pandas/NumPy 等库）。

3. 安全执行：在沙箱化的 Python 运行时中执行生成的代码，传入数据。

4. 结果返回：根据 output_type 参数，将执行结果转换为单元格可展示的值并写入公式所在单元格。

典型使用场景

场景一：条件聚合统计

=WPSAI.ANALYZE(A1:D100, "按部门分组计算平均薪资、最高薪资、最低薪资和人数", "table")

该函数将自动生成基于 Pandas groupby 的聚合代码，执行后将结构化结果以表格形式返回到单元格区域。

场景二：趋势分析与预测

=WPSAI.ANALYZE(A1:B50, "对销售额时间序列进行线性趋势拟合并预测未来3期", "value")

该函数将自动生成基于 NumPy/SciPy 的趋势拟合代码，返回预测值。

场景三：数据清洗与标准化

=WPSAI.ANALYZE(A1:A500, "识别并标记异常值（超出3倍标准差），返回异常值数量", "value")

该函数将自动生成异常检测代码，返回异常值计数。

场景四：跨表数据关联

=WPSAI.ANALYZE(Sheet1!A1:D100, "将本表数据按产品编号与Sheet2的E1:H50做左连接合并", "table")

技术可行性分析

该功能所需的核心组件在 WPS 现有技术栈中均已具备：

换言之，WPSAI.ANALYZE() 并非从零开始的新功能，而是对现有三条路径的架构级整合——将 AI 数据分析的代码生成能力、PY 脚本编辑器的执行环境、AI 函数的单元格集成框架统一到一个函数入口中。

补充建议

除 WPSAI.ANALYZE() 函数外，以下几点亦值得考虑：

• 代码可见性：提供一种方式让用户查看 AI 生成的 Python 代码，以便理解分析逻辑、调试异常结果或在 PY 脚本编辑器中二次使用。

• 结构化输出：当分析结果为表格数据（如分组聚合、数据透视）时，支持将结果展开写入相邻单元格区域，使其可被其他公式引用。

• 函数可组合性：WPSAI.ANALYZE() 的输出应能被现有表格函数（SUM、AVERAGE、VLOOKUP 等）嵌套引用，真正融入公式计算链。

安全与性能考量

• 代码安全：AI 生成的 Python 代码须在沙箱环境中执行，禁止网络访问和文件系统操作，仅允许数据处理库（Pandas、NumPy、SciPy 等）的导入和执行。

• 执行超时：设定单次执行的超时阈值（建议 30 秒），防止复杂计算阻塞表格响应。

• 资源限制：对数据输入量设定上限（建议 10,000 行 × 50 列），超出时提示用户缩小数据范围或使用 PY 脚本编辑器进行完整分析。

• 模型依赖：代码生成质量直接取决于 LLM 的推理能力，建议内置代码模板库和校验机制，对生成的代码进行语法检查和基本的安全审计后再执行。

总结

WPS 表格已在 AI 函数、Python 脚本编辑器和 AI 数据分析三个方向上分别积累了成熟的技术能力。将「AI 数据分析」已具备的 Python 代码生成与执行能力引入 AI 函数体系，封装为 WPSAI.ANALYZE() 函数，是技术架构上的合理整合——它无需引入新的技术组件，而是打通现有三条路径之间的壁垒。该功能将使 WPS AI 函数从"文本理解工具"升级为"数据分析引擎"，让用户在单元格层面即可完成从数据读取、分析计算到结果引用的全流程，真正实现"自然语言驱动的可编程数据分析"。