AI 自动化办公导入表格字段总对不上怎么办？
AI 自动化办公导入 Excel 或 CSV 时，如果字段总对不上，应先建立字段映射表、样本行校验、异常回退和人工抽检规则。
适用场景：表格能导入，但字段总错位
这篇适合把客户名单、订单表、发票清单、问卷结果、库存表或运营台账交给 AI 自动化办公处理的场景。常见表现是姓名列和备注列混了，日期被识别成数字，金额单位不一致，空列导致整体错位，CSV 编码不同导致中文乱码。永沃云枢在 https://ai.jn83.com 维护 AI API 接入和办公自动化经验时，会先做字段映射，而不是直接让模型猜整张表。
表格导入的风险在于错误会批量扩散。单条文案写错可以人工改，几千行字段错位会影响客服、财务、销售和后续模型调用管理。Codex 可以帮助写校验脚本，但输入样本和验收规则必须先定。
操作步骤：先建字段映射表
第一步，列源字段和目标字段。包括字段名、示例值、是否必填、格式、单位、允许为空、异常处理方式。不要只依赖表头，因为不同部门可能把“客户”“客户名称”“公司名”写成同一含义。
第二步，准备样本行。至少包含正常行、缺字段行、空值行、日期格式不一致行、金额带单位行和中文特殊字符行。用这些样本先跑一遍导入逻辑，确认字段不会错位。
第三步，做格式校验。日期要统一成明确格式，金额要统一单位，手机号和邮箱要校验模式，枚举值要有字典。AI API 接入文件解析时，也要记录文件名、编码、行数、列数和 request_id。
第四步，设置异常回退。无法映射的字段进入待确认表，不要自动丢弃。高风险字段如金额、客户名、合同号、发票号、负责人必须人工抽检。
常见问题/避坑：不要让 AI 直接覆盖原表
第一个坑是没有备份原始表，导入失败后无法回滚。第二个坑是把表头解释权完全交给模型，导致同名不同义或异名同义都被误判。第三个坑是没有保留异常行，模型处理不了的内容被悄悄丢弃。第四个坑是导入后只看前几行，没有抽检尾部、空值和边界样本。
涉及用户数据时，还要注意日志脱敏。不要把整张客户表长期写进调试日志。开发者 AI 调用只需要必要字段和样本行，真实全量数据应在受控环境处理。
如果表格来自多个部门，还要防止同一字段不同口径。例如“成交金额”可能含税也可能不含税，“客户状态”可能来自销售阶段也可能来自售后状态。字段映射表里应有口径说明，不要只写目标列名。
排错路径：先看异常行，不要只看成功行
排错时先把失败行、低置信度行和被自动修正的行导出来。很多字段映射问题不会出现在整齐的前十行，而会出现在尾部补录数据、跨部门复制的数据和历史遗留字段里。异常行要保留原始值、建议映射、失败原因和人工处理结果。
如果导入后发现字段错位，不要马上在正式表上二次修正。先回到原始文件和影子导入结果，对比列数、表头、样本行和异常行数量。确认是映射规则问题、文件格式问题，还是模型判断问题，再决定重跑还是手工修补。
检查清单：导入前后都要能回滚
原始文件已备份；字段映射表已确认；样本行覆盖正常、异常和边界；编码、分隔符、表头行数已确认；高风险字段有人工抽检；异常行进入待确认表；导入结果有行数对账；日志不保存敏感全量数据；修改脚本和验证命令已归档。
验收时要做行数、字段数、必填率、异常率和抽样内容对比。若导入前 1000 行，导入后只有 996 行，必须能解释少的 4 行去了哪里。AI 自动化办公的价值是减少重复整理，不是让错误更快进入正式系统。
正式导入前最好先做影子导入：把结果写到临时表或副本文件，人工确认后再覆盖正式表。这样即使模型映射建议有偏差，也不会直接污染生产数据。影子导入的差异报告应和任务日志一起保存。
FAQ：可以完全交给 Codex 或模型自动处理吗？
可以让 Codex 帮你收集文件、执行低风险检查、整理日志和生成初稿，但涉及生产配置、用户数据、金额、权限、正式发布和搜索提交时，仍要保留人工确认点。自动化的目标是减少重复操作，不是绕过验收。