ИИ-агент для таблиц должен работать не как чат, который “посмотрел на Excel”, а как аккуратный аналитический инструмент: прочитал листы, понял схему колонок, проверил типы данных, сделал расчет, объяснил результат и записал изменения только после валидации. Таблицы легко испортить: сдвинуть строки, потерять формулы, перепутать даты, валюты и пустые значения.
Короткая версия: не отправляйте всю таблицу в модель как текст. Сначала прочитайте файл через pandas/openpyxl или Google Sheets API, опишите schema, дайте модели summary и нужные строки, проверьте результат кодом и только потом записывайте изменения.
Что мы собираем
Соберем схему ИИ-агента для Excel, CSV и Google Sheets. Он сможет отвечать на вопросы по таблице, искать ошибки, делать сводки, извлекать данные, готовить формулы и безопасно записывать результат.
- Читает XLSX, CSV или Google Sheets.
- Определяет листы, колонки и типы данных.
- Делает summary таблицы.
- Выполняет расчеты кодом, а не “на глаз”.
- Возвращает объяснение с проверяемыми цифрами.
- Пишет изменения только в разрешенные диапазоны.
- Логирует, какие ячейки были изменены.
Шаг 1. Определите режим работы
У табличного агента может быть несколько режимов. Их лучше разделить, потому что они требуют разной безопасности.
- Q&A по таблице: ответить на вопрос.
- Data validation: найти ошибки, дубли, пропуски.
- Analytics: посчитать метрики, сводки, динамику.
- Enrichment: добавить категории, теги, комментарии.
- Formula helper: предложить формулы.
- Write-back: записать результат в Excel или Google Sheets.
Самый безопасный старт - read-only режим: агент читает таблицу и объясняет выводы, но ничего не меняет.
Шаг 2. Прочитайте таблицу через код
Не заставляйте модель парсить XLSX как текст. Для Python-агента используйте pandas для анализа данных и openpyxl для аккуратной работы с Excel-файлом.
import pandas as pd
df = pd.read_excel("sales.xlsx", sheet_name="Orders")
print(df.head())
print(df.dtypes)
print(df.describe(include="all"))pandas удобен для расчетов, фильтров, группировок и поиска пропусков. openpyxl полезен, когда нужно сохранить формат, формулы, листы и аккуратно записать результат в конкретные ячейки.
Шаг 3. Опишите schema таблицы
Модель должна видеть не весь файл, а описание структуры и релевантные данные.
{
"sheet": "Orders",
"rows": 1250,
"columns": {
"order_id": "string",
"created_at": "date",
"customer": "string",
"amount": "number",
"currency": "string",
"status": "enum: paid, pending, refunded"
}
}Schema помогает модели понять, какие колонки существуют, какие типы данных ожидаются и какие значения допустимы.
Шаг 4. Очистите данные перед анализом
Таблицы часто содержат пустые строки, объединенные ячейки, заголовки в середине, комментарии, разные форматы дат и суммы с пробелами. Это нужно обработать до модели.
- Удалите полностью пустые строки.
- Приведите даты к одному формату.
- Приведите суммы к числам.
- Нормализуйте статусы и категории.
- Отдельно обработайте листы с итогами и примечаниями.
- Сохраните исходный файл без изменений.
Если данные грязные, агент должен сказать “нужна очистка”, а не делать уверенный анализ по мусору.
Шаг 5. Делайте расчеты кодом
LLM не должна считать большие таблицы в голове. Пусть модель формулирует задачу, а расчеты делает pandas, SQL или spreadsheet engine.
revenue_by_status = (
df.groupby("status", dropna=False)["amount"]
.sum()
.sort_values(ascending=False)
)После расчета модель может объяснить результат человеческим языком. Так меньше ошибок в числах и проще проверить ответ.
Шаг 6. Передавайте модели только нужный срез
Большую таблицу нельзя целиком отправлять в prompt. Передавайте summary, schema и релевантные строки.
{
"question": "Почему выручка упала в апреле?",
"schema": "...",
"summary": {
"rows": 1250,
"date_range": "2026-01-01..2026-05-20",
"total_revenue": 1830000
},
"relevant_rows_sample": [
{"month": "2026-03", "revenue": 520000, "orders": 190},
{"month": "2026-04", "revenue": 310000, "orders": 118}
]
}Если нужен точный ответ, сначала вычислите нужные агрегаты кодом, затем отдайте их модели для объяснения.
Шаг 7. Настройте проверки данных
ИИ-агент для таблиц особенно полезен в data validation.
Проверяйте:
- пустые обязательные поля;
- дубли по id или телефону;
- отрицательные суммы там, где их быть не должно;
- даты в будущем;
- статусы вне допустимого списка;
- разные валюты в одном расчете;
- строки без связи с исходным заказом;
- резкие выбросы.
Каждая проверка должна возвращать строки, колонки и причину, а не только “нашел ошибки”.
Шаг 8. Сделайте безопасный write-back
Запись в таблицу - рискованное действие. Сначала работайте в preview mode: агент показывает, какие ячейки хочет изменить, и ждет подтверждения.
{
"action": "update_cells",
"sheet": "Orders",
"changes": [
{"cell": "H42", "old": "", "new": "needs_review", "reason": "Нет номера телефона"},
{"cell": "H84", "old": "", "new": "duplicate", "reason": "Повтор order_id"}
],
"requires_approval": true
}После подтверждения backend записывает изменения через openpyxl или Google Sheets API и сохраняет audit log.
Шаг 9. Не ломайте формулы и форматирование
Если открыть XLSX, переписать DataFrame и сохранить файл целиком, можно потерять форматирование, формулы, графики или скрытые листы. Для аккуратного редактирования используйте openpyxl и пишите только нужные ячейки.
from openpyxl import load_workbook
wb = load_workbook("sales.xlsx")
ws = wb["Orders"]
ws["H42"] = "needs_review"
wb.save("sales_reviewed.xlsx")Для критичных файлов лучше всегда сохранять копию, а не перезаписывать оригинал.
Шаг 10. Подключите Google Sheets
Для Google Sheets агент должен работать через API и ограниченные права. Не давайте ему полный доступ ко всему Drive.
- Используйте service account или OAuth с понятными scopes.
- Ограничьте доступ конкретной таблицей.
- Читайте диапазоны через values.get.
- Пишите только разрешенные диапазоны через values.update или batchUpdate.
- Логируйте spreadsheet_id, range и количество измененных ячеек.
- Не храните access tokens в prompt или logs.
Если агент работает с таблицей команды, добавьте подтверждение перед массовой записью.
Шаг 11. Добавьте human review
Табличный агент должен передавать человеку случаи, где ошибка может стоить денег или испортить данные.
Передавайте на review, если:
- меняется больше N ячеек;
- затронуты суммы, реквизиты, налоги, зарплаты;
- модель не уверена в mapping колонок;
- есть неоднозначные даты или валюты;
- формулы могут быть перезаписаны;
- результат влияет на отчетность или клиентов.
Для read-only анализа review обычно не нужен, но для write-back лучше включить его с первого дня.
Шаг 12. Тестируйте на реальных файлах
Соберите маленький набор проблемных таблиц.
- XLSX с несколькими листами.
- CSV в неправильной кодировке.
- Таблица с объединенными ячейками.
- Даты в разных форматах.
- Суммы как текст.
- Скрытые листы.
- Формулы и итоговые строки.
- Большой файл на десятки тысяч строк.
Проверяйте отдельно: чтение, schema detection, расчеты, validation, write-back и сохранение формул.
Мини-чеклист
- Режим выбран: read-only, validation, analytics, enrichment или write-back.
- Таблица читается через код, а не как сырой текст.
- Schema колонок описана.
- Данные очищаются до анализа.
- Расчеты выполняются pandas/SQL/Sheets, а не “на глаз” моделью.
- Модели передается summary и релевантный срез.
- Write-back работает через preview и approval.
- Оригинальный файл не перезаписывается без копии.
- Формулы и форматирование защищены.
- Есть audit log изменений.
Частые вопросы
Можно ли просто загрузить Excel в ChatGPT или другую модель?
Для разового анализа небольшой таблицы можно. Но для агента нужен pipeline: чтение через код, schema, проверки, расчеты, preview изменений и безопасная запись результата.
Что лучше для Excel: pandas или openpyxl?
pandas удобен для анализа данных, фильтров, группировок и расчетов. openpyxl лучше подходит, когда нужно аккуратно читать и изменять XLSX, сохраняя листы, ячейки, формулы и форматирование.
Как работать с большими таблицами?
Не отправляйте их целиком в модель. Сначала сделайте агрегаты, фильтры, выборки и summary кодом. Модель должна объяснять результаты и помогать выбирать действия, а не читать 100 тысяч строк в prompt.
Можно ли агенту разрешить запись в Google Sheets?
Да, но с ограниченными правами, разрешенными диапазонами, preview изменений, approval и audit log. Для массовых изменений лучше требовать подтверждение человека.
Как избежать ошибок в числах?
Считать кодом, а не моделью. Пусть pandas, SQL или spreadsheet engine считают суммы, средние, группировки и проверки. Модель должна объяснять результат и формировать следующий шаг.
