核心用法
该技能基于DDC方法论，让建筑从业者通过自然语言描述即可自动生成Python/Pandas数据处理代码，无需深度编程知识。支持三种使用模式：在线LLM（ChatGPT/Claude）、本地LLM（Ollama/LM Studio）及混合方案。
典型工作流程：
1. 用自然语言描述数据处理需求（如"从PDF提取表格并计算各楼层材料总量"）
2. LLM生成可执行的Python/Pandas代码
3. 在Jupyter/VS Code等环境中运行验证
4. 迭代优化提示词直至满足需求
核心能力覆盖：
- PDF文档表格提取与结构化转换
- BIM元素数据分组聚合（按类别/楼层统计工程量）
- 成本估算自动计算（数量×单价+占比分析）
- 进度计划解析与延误识别
- 多格式数据导入导出（Excel/CSV/PDF互转）
显著优点
- 零门槛自动化：非程序员可用母语描述需求，LLM承担代码生成
- 离线安全选项：通过Ollama部署本地模型（Mistral/CodeLlama/DeepSeek-Coder），敏感项目数据不出境
- DataFrame通用格式：以Pandas DataFrame为中心枢纽，兼容Revit导出、Excel报表、PDF规范等各类建筑数据源
- 成本极低：基础功能依赖免费开源工具链（Python+Pandas+Ollama），仅高级场景需付费API
- 可积累资产：验证通过的提示词可入库复用，形成企业私有代码片段库
潜在局限与风险
| 局限类型 | 具体说明 |
|---------|---------|
| 代码可靠性 | LLM生成代码可能存在边界条件处理缺失、数据类型假设错误，**必须人工验证后运行** |
| 幻觉问题 | 复杂多表关联或特定行业算法（如造价定额计算）可能出现虚构函数或错误逻辑 |
| 性能天花板 | 本地7B参数模型对复杂数据分析任务的理解力显著弱于GPT-4/Claude-3.5 |
| 调试负担 | 报错时需用户具备基础Python调试能力定位问题 |
| 版本漂移 | Pandas API更新可能导致历史提示词生成的代码失效 |
适合人群
- 造价工程师：批量处理工程量清单、自动汇总分类、生成成本对比报告
- BIM协调员：清洗Revit导出数据、标准化属性字段、跨模型数据对齐
- 项目经理：进度Excel自动化分析、多源数据整合、简易BI报表生成
- 小型事务所：无专职开发岗位，需快速实现一次性数据自动化任务
常规风险提示
- 数据安全：使用在线LLM时，敏感项目数据可能进入模型训练集，建议商业项目优先采用本地Ollama方案
- 计算错误：财务相关输出必须人工复核，禁止直接用于合同结算
- 环境依赖：需预装Python 3.x及pandas/pdfplumber等库，Windows用户可能遇到编码/路径问题
- 提示词注入：处理外部来源的文档内容时，存在极小概率的恶意提示词嵌入风险