3. 报告自动生成的任务拆解

农业食品AI分析报告自动生成，并不是“把数据丢给大模型，等它写出一份报告”这么简单。一个可交付、可复核、可复用的报告生成系统，本质上是一条由多个专业环节串联而成的处理链：原始数据先被理解成有业务含义的指标，再被规划成有逻辑的分析路径，然后被组织成有结论的叙述内容，最后被渲染成符合规范的文档格式。任何一个环节缺失或越界，都会导致报告“看起来像那么回事，但经不起追问”。本节把这条链拆成四个关键环节——数据理解、分析规划、内容生成、格式输出——并明确每个环节该做什么、不该做什么，以及环节之间的交接物是什么。

四个环节的职责与交接物

数据理解是整条链的起点，目标是把“表”变成“事实”。这一环节要完成字段语义识别（例如把 yield_kg_per_mu 识别为亩产、单位千克/亩）、数据质量检查（缺失率、异常值、时间范围、口径一致性）、指标计算与分组聚合（按品种、区域、批次、时间段汇总），并输出一份结构化的“数据事实清单”。它不负责下结论，也不负责写句子。典型交接物是一张事实表：每个指标带着数值、单位、对比基准和可信度标记。

分析规划是把“事实”变成“论点骨架”。它决定这份报告要回答哪些问题、按什么顺序回答、每个论点用哪些事实支撑、采用什么分析方法（同比、环比、结构占比、阈值判定、分组对比、趋势拟合等）。这一环节的产物是分析大纲：章节标题、每节的核心结论方向、引用的指标与对比方式、以及需要标注的风险点。它不负责生成最终措辞，也不负责排版。

内容生成是把“论点骨架”变成“可读叙述”。基于分析大纲和事实表，生成每节的解释性文字、结论句、建议句，并保证数字引用与事实表一致、单位正确、口径表述清楚。这一环节的关键约束是“不新增事实”：所有数字必须可回溯到事实表，所有判断必须能对应到分析规划中定义的规则。它不负责决定报告结构，也不负责最终版式。

格式输出是把“内容”变成“交付物”。包括模板套用、章节编号、图表插入、表格渲染、页眉页脚、单位与小数位统一、导出为 Word/PDF/HTML 等。它不修改结论与数字，只做呈现层处理；一旦发现内容缺失或数字冲突，应回退到上游环节，而不是在排版阶段“顺手改掉”。

为什么必须划清任务边界

把四个环节混在一起，最常见的后果是“责任漂移”。例如，数据理解阶段发现某区域缺失 3 天记录，如果直接让内容生成环节“看着办”，模型很可能用一句“数据基本完整”轻轻带过，读者却无从判断结论是否可靠。正确的做法是在数据理解阶段就产出可信度标记（如“该区域样本缺失率 18%，结论仅供参考”），并把它作为事实表的一个字段，随交接物一路传递到正文和最终文档中。边界清晰，问题才能被定位到具体环节，而不是在最终报告里变成一句含糊的表述。

另一个典型越界是格式输出阶段“顺手改数字”。排版时发现表格里亩产写成 4820、正文写成 4800，正确动作是回退到内容生成环节核对事实表，而不是在排版脚本里做四舍五入“对齐”。因为一旦在呈现层修改，事实表与正文就失去了可追溯关系，后续复核将无法判断哪个数字才是准的。

可执行的环节检查清单

为了让拆解真正落地，可以为每个环节设置“进入条件”和“退出条件”。下面这份清单可直接用于流程设计或人工复核（示例参数仅用于说明判定方式）：

拆解带来的实际收益

按四环节拆解后，系统可以获得三个直接好处。第一是可测试：数据理解可以用字段识别准确率、缺失率统计来验证；分析规划可以用“大纲是否覆盖全部关键指标”来检查；内容生成可以用“数字回溯一致率”来度量；格式输出可以用模板字段完整率来验收。第二是可替换：数据理解模块换成另一套清洗规则，不影响内容生成的提示词设计；格式输出从 Word 换成 HTML，也不影响前面的分析逻辑。第三是可追责：当报告出现“裂果率 6.2% 却写成本批次品质优良”这类矛盾时，能迅速判断是分析规划的阈值规则写错，还是内容生成没有遵守规则，而不是笼统地归因于“模型不稳定”。

需要强调的是，四环节拆解不是要求每个项目都搭四套独立服务。小规模场景下，完全可以用一个脚本串起四个函数，甚至由同一个人依次完成。拆解的价值在于思维上的分离：在写任何一行生成逻辑之前，先问清楚“我现在处理的是事实、是论点、是措辞，还是版式”。把这个问题回答清楚，报告自动生成才从“碰运气”变成“可工程化”的能力。