前言：面对几千行Excel客户名单，逐行人工排查既低效又容易漏判。本文分享一个Excel智能筛选小工具的完整实现：用自然语言规则定义判断标准，通过AI批量推理一次性给整表打分，高于阈值的行自动置灰，并复盘NaN序列化、列名索引等三个踩坑，让线索筛选这类重复劳动交给电脑完成。

我写了个小工具，让AI替我把几千行Excel看了一遍

先说一个做业务的朋友都懂的场景。

你手里有一份名单。可能是采集来的企业名录，也可能是某个行业群里导出的成员表，几千行，每一行有一个昵称，一个简介。需求很简单，把里面做资金过桥、摆账配资、大宗贸易的客户挑出来。

你打开表格，从第一行开始看。

「XX融资信息服务」，标记。「资金过桥拆借」，标记。下一行，老王农机厂。再下一行，绿色蔬菜种植合作社。再下一行，某某机械制造有限公司。。。

看到第一百行的时候，你的眼睛已经开始自动跳过简介列了。看到第五百行，你会开始怀疑人生。

这种活儿，我最近就碰上了。然后我的处理方式比较骚，我没有安排人肉，而是花了一个晚上写了个单文件的小工具，让AI替我把整个表扫了一变。

今天把整个过程摊开讲讲，包括我踩的三个坑。

先说这个工具干了啥。它叫 lavaDemo.py，名字随便起的，别在意这些细节。一个 Flask 加 pandas 加 Laya 的单文件小东西，流程一句话能说完，网页上拖进去一个 Excel，解析完交给 Laya 批量推理，给每行追加两列，一个「金融贸易相关分」，一个「是否目标客户」，分数高于阈值的行在页面上直接置灰，最后还能下载一个目标行带灰色背景的标记版 Excel。

首次推理会从 HuggingFace 下载 multilingual 权重（约 650MB）

对，置灰。不是删掉，是置灰，还带删除线。这个设计后面会说，我个人特别喜欢。

可能有小伙伴纳闷，Laya是个啥。你如果关注这个领域的话，可以把它理解成一个能听懂人话规则的批量判断引擎。以前你想让程序从一堆文本里筛东西，得写正则，得维护关键词表，词表永远追不上现实的变化。而 Laya 的玩法是，你用自然语言把判断标准写清楚，它来给你逐条打分。

核心就这几行。

questions = {
    "is_financial_trade": laya.Noul(
        instructions="判断该用户的昵称和简介是否属于金融行业、资金过桥、"
                     "摆账配资或大宗贸易资金增量业务。注意排除纯农业种植或机械制造类的实体厂家。"
    )
}

注意这句规则里有个细节，我不光写了要什么，还写了排除什么。因为不写的话，那些农业种植、机械制造的实体厂家很容易被误判进去，人家简介里带个「供应链」三个字，分就上去了。规则里同时写正向和排除项，这是我踩过坑之后学到的。

然后是最关键的一个设计，我把它单独拎出来讲，因为我觉得这是整个 Demo 里最值钱的一行思路。

不要把推理放在循环里逐条调用。

你想想看，几千行数据，如果写成 for 循环一行一行去请求，那速度会让你回到拨号上网时代。正确的做法是把每一行的昵称和简介组装成一个 JSON 对象，塞进一个叫 batch_states 的数组，然后一次性交给 laya.evaluate_batch。

results = laya.evaluate_batch(states=batch_states, questions=questions)
scores = [float(r.is_financial_trade.probability) for r in results]

一次调用，处理整个数组。Laya 底层是张量并行化的，整批一起算，吞吐量和逐条请求完全不是一个量级。

写到这儿的时候，我脑子里蹦出来的是福特流水线。1913年之前，装配一辆车要十二个小时，流水线出来之后，九十分钟。车还是那些车，工人还是那些工人，变的只是组织方式。逐条调用和批量推理的关系，就是十二个小时和九十分钟的关系。数据还是那些数据，模型还是那个模型。

返回的每个结果带一个 probability，零到一之间的小数。我设的阈值是 0.8，超过的标记成目标客户，写回 DataFrame，追加两列，完事。

说到这儿都是顺的。接下来是踩坑环节，这部分我写的时候手都是抖的，因为每一个坑都真实地浪费过我的生命。

坑一，rows 必须按列名索引。后端一开始我偷懒，返回了按列位置排列的数组，结果前端用 r[‘昵称’] 去取值，全部拿到 undefined，页面上表格有框，里面空空如也，置灰判断也跟着失效。我盯着那个空表格愣了好一会儿，还以为是前端渲染的问题，排查了半天才反应过来是数据结构的事。后来统一改成「列名做key的对象数组」，世界清净了。

坑二更阴间。Excel 里的空单元格，pandas 会读成 NaN，而 Flask 默认会把它序列化成 NaN 字面量。兄弟们，这不是合法的 JSON。浏览器拿到响应，res.json() 直接给你抛一个 SyntaxError: Unexpected token ‘N’。你敢信？？？一个 NaN，能把整条链路干碎。

更骚的是，我一开始想用 df.where(pd.notna(df), None) 一把梭搞定，结果发现在 pandas 3.x 的混合类型列上它压根不生效。最后老老实实逐值转换。

rows = [
    {str(k): (None if pd.isna(v) else v) for k, v in rec.items()}
    for rec in df.to_dict(orient="records")
]

坑三最朴素，pip 直连 pypi 超时，国内环境老生常谈了，加个清华镜像就好，不展开。

这三个坑填完，工具就能跑了。拖入 Excel，页面显示总条数、高于阈值的条数，还有当前用的推理引擎。对，这里要坦诚一点，如果你没装 Laya 的 SDK，脚本不会报错，它会自动降级成一个本地关键词 mock 打分，命中「资金」「过桥」「摆账」这些词就加分，命中「种植」「机械」就扣分。这个 mock 只能演示流程，不具备真实的语义判断能力，我自己测试的时候是装了 SDK 跑真推理的，但代码里保留了完整的降级路径，方便没条件的朋友先把流程跑通。

还有个我自己挺得意的小交互。阈值输入框绑了 oninput，你拖动阈值的时候，前端在本地重新渲染，不重新请求后端。0.8 调到 0.7，页面上置灰的行唰唰地实时变化，那种手感，怎么说呢，像在拧一台收音机的旋钮找台。

回到置灰这个设计。为什么是置灰加删除线，而不是直接删掉。

因为我后来想明白一件事，这些被筛掉的行，不是垃圾。那个「老王农机厂」，人家老王可能真的在某个时刻需要一笔过桥资金，只是今天的他不是我的客户。筛掉的意思不是「你是错的」，是「你不是现在的答案」。所以灰色，划掉，但留着。

聊到这儿，我想再往深了说两句。

这个 Demo 表面上是个线索筛选工具，但我写着写着发现，它其实是一个更通用的模板。凡是「用一句自然语言规则，给表格每一行打分」的需求，线索筛选、风险标记、文本分类，全都能往里套。questions 字典里加一个 laya.Noul，就是加一个判断维度，取结果的时候对应取新字段就行。改规则就是改一句人话，改阈值就是改一个数字。

我一直觉得，软件世界里有个特别顽固的东西，叫「规则的表达成本」。以前表达一条业务规则，要翻译成代码，翻译成关键词表，翻译的人还得懂技术。现在表达成本变成了一句话。一句话和一段代码之间隔着的，就是当年十二个小时和九十分钟之间隔着的东西。

大时代啊，朋友们。

最后给想上手的朋友交个底。环境是 Python 3.12 加 pandas 3.0 加 Flask 3.1，装依赖记得走镜像，SDK 按官方渠道装，没装也能跑 mock。判断阈值在文件顶部的 THRESHOLD，想换判断维度就去 questions 里加规则。坦率的讲，这玩意儿就是个晚上写出来的 Demo，肯定有粗糙的地方，但它把「批量推理该怎么做」这条路完整走通了，你拿去改造成自己的东西，应该比从零开始快得多。

那个让眼睛报废的、看五百行怀疑人生的活儿，现在是我的电脑在干。

我只是写了一句规则。

剩下的，交给张量。

（完）