值得信赖的答案

任何 AI 都能就您的数字写出一段自信满满的文字。真正困难的部分，也是决定您能否依据答案采取行动的部分，是知道何时可以信任它。这正是 PlaidCloud 的设计目标。

当您请已连接的 AI 助手解释您的数据时，PlaidCloud 不会只是交还一个数字。它会为这个数字评定可信程度，用通俗语言告诉您哪些地方不够牢靠，核对自身的算术，并拒绝编造任何内容。这就是一个“听起来正确”的助手与一个可以拿到首席财务官面前的助手之间的区别。

每个答案都附带置信度信号

PlaidCloud 会为自己的答案评级，分为高、中或低置信度，并说明原因。完整归因、结果干净的答案会评为高。如果您比较的两个期间的完整程度不同，或者变化的一部分无法归因于单一原因，PlaidCloud 会如实说明并降低自身的置信度，而不是把一个不稳固的数字当作确定的数字呈现。

您无需猜测助手是否有把握。它会在答案中第一时间告诉您。

评级会说明它所涵盖的范围。 答案以一行摘要开头，其中可以指出一个可能的原因、指出造成大部分变动的成员，并与去年相比衡量变化幅度，最后以置信度评级收尾。该评级只涵盖一件事：变化是如何被分解为各个促成部分的，以及如何通过产生它的步骤向上追溯。它并不是对上方所述原因的裁定。这一行现在会明确这一点，即“对分解的置信度，而非对其变动原因的置信度：高”；如果摘要没有指出任何原因，则省略后半句，因此它绝不会否认自己没有做出过的论断。这一点尤为重要，因为该摘要最有可能被单独转发，或被缺少页面其余内容的助手读取。

对评级的任何限定都作为单独的一句话跟在后面，以“注意事项：”开头。过去，评级和限定之间用破折号连接，而破折号读起来像“因为”，所以高评级后跟破折号和限制，会被解析为评级依赖于紧挨着它的那个限制。现在它们是两个独立的句子，不再暗示两者之间有任何关系。限定内容本身没有变化，并且仍会在答案下方完整列出。

评级被调低的原因是一项明确说明的限制，而不是评级旁的脚注。 如果变化的一部分来自多种效应同时变动，而不是其中任何一种，则正是这一部分使评级低于“高”。它会在诚实的限制下说明，包括其含义和影响范围，与答案所带的其他所有限制并列。评级本身保持简短的标签。涵盖多个列的答案会在评级行中说明它在这些列之间测得的范围，因为没有任何单一数字能代表所有列。

当各列不一致时，给出的原因来自最需要它的那一列。 过去，涵盖多个数值列且评级相同的答案，会取排在最前的那一列，并把该列的原因及其自身的残差占比当作整个答案的，因此，如果答案中最差的那一列的大部分变动出自任何单一因素都无法解释的部分，这个答案仍可能被发布为“基本干净”，并在旁边引用一个很小的占比。现在，只要有任何一列的变动主要由无法分离的效应主导，就会说明这一原因，且不会同时引用在其他列上测得的占比。

它不会一边说变化被相反方向的变动抵消，一边又把同一分解评为干净。 当某个成员自身的变化大于整体净变化时，说明两个方向上的变动已部分抵消。过去，一旦该成员的变化略微超过净变化，指明该成员的那一行就会这么说，而旁边的评级要等到远远超过之后才把这种抵消计为重大因素。于是，最大成员的变化仅略高于净变化的答案，一边说变动互相抵消，一边在同一页面上把同一分解评为干净，也没有任何内容说明应该相信哪一个。现在，只有当抵消幅度大到足以降低评级时，这一行才会说变动互相抵消。低于这一程度时，它改为给出该成员的占比，例如“line=PERSONAL_AUTO = 101.6% of the delta — that is its own change, not its share of the pool shifting”；超过 100% 时精确到小数点后一位，这样略高于 100% 的部分就不会被舍入所扭曲。抵消幅度重大的答案读起来与之前完全一样，而说明哪个因素发生了变动的那一行保持不变。

只要答案带有限制，摘要就会说明其置信度。 过去，如果答案背后的任何步骤都没有给出自己的警告，评级就会被完全省略，即使答案整体带有某项限制，例如某项变化无法与去年相比衡量。这一行最常被单独转发，所以它的沉默读起来像是“没有要说明的”，而不是“限制已在下方列出”。现在摘要会给出评级并指明限制：“对分解的置信度：高。注意事项：这一变动没有与上一年的变化相比衡量。”没有需要标记内容的答案仍然不带这一句。

所述的深度会说明其中有多少给出了数字。 摘要的结尾会说明答案向上追溯了多少步，而这个数字是该行中唯一能说明答案走了多远的内容，所以读者会把它当作佐证。已经追溯到、但没有得到任何数字的步骤不属于这种情况。如果任何已追溯的步骤返回为空，这一行现在会说明其中有多少返回了数字：“向上游追溯了 2 个阶段；2 个中只有 1 个返回了数字，其余的完全没有数字。”变化已被测得、但无法归因于某个具体产生它的步骤，仍然计入，因为已测得的变化就是证据；无法归因这一点会在诚实的限制下单独说明。所有步骤都返回了数字的摘要读起来与之前完全一样。

它会告诉您何时需要谨慎

PlaidCloud 不会把假设埋没在细节里，而是将它们作为附在答案上的通俗提示说明呈现出来：

当答案标记……	含义……
“这描述的是整个池”	该数字是总计；若要查看它如何在各成员（区域、产品、成本中心）之间变化，请询问某个具体成员。只有当答案没有向您展示任何成员细分时才会出现；如果已展示细分，该说明对其不成立，也不会打印。如果该说明指向链条中较早的步骤（以“阶段 2（……）”开头），缩小提问范围无法触及该步骤，请改为追溯它自己的表。
“这些期间的完整程度不同”	其中一个期间可能只是不完整的月份或较短的时间窗口，因此变动的一部分可能是数据缺失，而不是真实的变化。它所引用的行数针对整个结果；在重新合并多个分摊分支的表上，则涵盖所有分支的总和。
“各部分未能完全对账”	详细的分解与总体数字不能完全吻合，请将这种拆分视为参考，而非精确值。
“确切原因只是部分的”	总数是正确的，但变化的确切驱动因素无法仅凭手头数据完全归因。
“有些目标无法测量”	在假设分析中，某一步骤的计算失败，因此它写入的结果完全没有数字，而不是猜测值。总计涵盖已测得的部分，该步骤下游的任何内容都会被排除，而不是据其估算。
“按当前占比估算”	假设分析的估算会按各受影响结果当前占池的比例拆分变化，因此各数字相加后吻合，并反映模型当前的配置方式，而不是对占比可能已变化的未来的精确预测。

这些并非无关紧要的小字。它们是防止一个听上去自信的答案悄悄夸大数据实际所能支持的内容的保障措施。

只描述结果某一部分的说明会指明是哪一部分。 一条说明可能由结果的某一部分触发，而不是由全部触发，此时它的数字只属于该部分，所以说明会以指明该部分开头。在合并了多个分摊分支的结果上，它读起来是“分支 4（管理成本）：……”；在一次分摊多个数值列的结果上，它会指明列名，“列 margin：……”。没有前缀的说明，应理解为针对您所请求的结果；带前缀的说明，则针对结果的该部分。

如果适用于多个部分，则会全部列出，例如“列 revenue、margin：……”。因此，不在该列表中的列就是该说明不适用的列，列出它们正是为此：在一个有三列的结果中，如果两列共用一条说明，只列出其中一列会让另一列看起来不受影响。由每个部分都触发的说明不带任何前缀，因为没有需要区分的内容。

有一种情况的读法不同，这是有意为之。如果各部分触发该说明时各自带有自己的数字，则显示的说明是其中某一部分的，而在一部分的数字前面列出多个名称会张冠李戴，所以说明会指明该部分，并在其后列出其他部分：“列 revenue（margin 也触发了该说明）：……”。该句中的数字属于 revenue；margin 触发了同类说明，数字则是它自己的。

它说明比较了什么，并且不把它称为时间

询问某个数字为何变动，意味着要指明用来比较的两个对象。通常是两个期间，例如上个月与本月、2025 年与 2026 年，答案也是据此撰写的：它会指明这两个期间，与一年前的同一时段相比衡量变化幅度，并在其中一个期间看起来不如另一个完整时发出警告。

但这两个对象不一定是期间。把比较对象换成方案、版本、情形，或预算与实际，您同样会得到对两者差异的完善说明：二者中哪一个发生了变动、是什么驱动了变动，以及哪些成员承担了变动。这是可行的，也值得使用。

出问题的是周围的措辞。在比较版本 7 和版本 8 时，答案往后退了一个版本，并给出“同比”结论，按版本 6 衡量变化，即“相当于去年变动的 275%；6 → 7 变动了 -$400,000”，其中每个数字都正确，但句子的主语错了。它把这两个版本说成期间，并说行数较少的那个可能仍在加载。

现在，答案会根据该列的类型、名称以及您所给值的形态，判断所比较的列是否为期间。如果不是：

开头一行说明的是比较的值，并指明该列及其两个值，而不是比较的期间。
不提供同比结论。没有可以回退的上一年，答案会在诚实的限制下说明这一点，而不是让这次比较在没有任何解释的情况下处于未测量状态。没有任何数字被撤回。
两侧行数的差异被描述为双方各自涵盖范围的差异，而不是可能仍在加载的期间；在两个方案之间，较小的一侧往往正是本意。它会按照比较的值和行数都采用的打印顺序，指明较短的是第一侧还是第二侧。过去它称之为“较薄的一侧”，而这是按行数较少来定义的，导致句子只说明较短的一侧较短。开头一行也以同样的方式指明它，而过去它说的是“较晚的一侧”，这对没有日历的比较来说是日历用语。

测试刻意保持谨慎：只要列的类型表明它是期间，或其名称表明如此，或您给出的值看起来像日期、月份、季度或年份，就算作期间。满足其一即可，因此整数的 fiscal_year 和文本的 2026-03 仍然都被视为期间，而跨日期、期间、月份、季度或年份列的比较保持不变。

它说明测量的是哪个总体

针对同一张表的两个答案可以看起来很像，含义却大不相同：一个涵盖每一行，另一个涵盖单个业务线、实体或项目。依次阅读时，缩小范围后的数字很容易被当作更大范围数字的一部分，但事实未必如此，因为被排除的成员可能朝相反方向变动，有时甚至大到使缩小范围后的变化比整张表的变化更大。

每个答案都会在开头一行说明属于哪种情况。未缩小范围的答案会说明其数字是该表在各期间的自身总计，包含每个成员。缩小范围的答案则会说明其数字是该成员在各期间的自身总计，表中其余部分被搁置一旁，并且在数字为正时说明其百分比比较的是这两个总计，而不是衡量占更大整体的份额。如果缩小范围的答案的数字在两端均为负，则省略最后这一说明：答案已经告诉您余额进一步低于零，此时若称该百分比为普通比较，反而会削弱要点。

两行都不会说明被排除的成员是如何变动的。答案没有测量它们，因此不会对它们作出描述。

如果答案已经报告了自身工作中存在缺口，则省略未缩小范围的那一行。针对重新合并多个分摊的表的提问，是逐个分支回答的；如果其中一个分支无法归因，答案会在下方说明。此时若在其上方的开头一行说明包含每个成员，会被理解为声称没有遗漏任何内容。重新合并的表自身变化无法读取的情况同样适用：此时没有整张表的数字可供这一行描述。

它说明您的缩小范围无法应用的情况

缩小范围会指定一个列，而答案所报告的表可能没有这个列。没有的话，就没有可用来筛选的内容：查询会不加缩小地运行，返回的每个数字都涵盖整张表。

过去页面上没有任何内容说明这一点。答案仍在每个会提到缩小范围的地方指明它：开头一句、上面的总体行、整表块的标题、成员列表的标题、摘要行，以及末尾的分步说明。这六处都指明了一个数字并未针对的总体；而本应将缩小范围后的数字与整张表比较的那个块，在承诺比较的标题下把同一个数字打印了两次。读者看到这样的页面，无法将它与“您所询问的成员恰好就是整个业务”的表区分开来。

现在，答案会在任何数字之前先说明这一点：

简短回答： 无法隔离 entity=DE，因为 cost_line_admin 没有 entity 列，所以这是整张表：总额下降了 26.2%（从 $4,200,000.00 降至 $3,100,000.00）。

更正放在最前，数字居于其次，因为开头一行最有可能被单独转发，而放在数字之后的更正会被读者略过。它指明缺失的列，而不是您传入的设置，这样您能立即看出是列名写错了，还是表选错了。并且它说的是缩小范围“无法应用”，而不是“未应用”，后者读起来像是筛选已运行但没有任何影响；对于缩小范围而言，那等于说您所询问的成员就是整个业务。

此后页面其他地方不再提及该缩小范围：没有总体行，没有整表块，成员列表没有范围，摘要上也没有缩小范围的标记。分步说明会把未缩小范围运行的步骤标记为未缩小，而不是标记为进行了筛选的步骤。

缩小范围正常应用的答案保持不变，两种情况下都没有任何数字发生变化。

在重新合并多个分摊的表中，各分支是独立的表，可能各不相同：一个可能有该列，另一个则没有。此时答案不会把任何地方的缩小范围当作总体来指明，也不会让能够缩小范围的那个分支代表其余分支，而分步说明仍会区分哪些分支已缩小范围、哪些没有。它会用自己的话说明发生了什么，参见下面的它说明重新合并的表能缩小和不能缩小的部分。

它说明您的缩小范围中哪些部分已应用

缩小范围可以指定多个列，而表可能有其中一些列，没有另一些。对一张有 lob 但没有 region 的表询问 lob=COMMERCIAL 和 region=WEST，返回的数字会按业务线缩小，并涵盖所有区域。

这是有用的答案，也是您得到的答案。页面过去的做法，是把它报告得好像两部分都已应用：在开头一句、总体行、整表标题、成员列表标题、摘要行和分步说明中都写上 region=WEST，而旁边的数字根本从未按区域筛选。每个数字都是正确的，但对其涵盖范围的每一处描述都是错的。

现在，答案只指明真正缩小了数字范围的内容，并以说明哪些没有应用开头：

简短回答： 无法隔离 region（cost_line_admin 没有 region 列），所以这些数字涵盖所有 region 值：lob=COMMERCIAL 的总额下降了 26.2%（从 $4,200,000.00 降至 $3,100,000.00）。

默不作声地缩小到 lob=COMMERCIAL，本身就等于一种论断，即答案涵盖了您所要求的内容，所以页面在读者摘取内容的两个位置都说明了这一不足：开头一行，以及底部的诚实限制列表，后者还会指明这些数字实际测量的总体。

对于您指定了列但没有给出任何值的情况，处理方式相同，但表述不同，因为原因不同：该列在表上，缺少的是值。此时答案会说明筛选指定了该列但未给出值，不足的是筛选，而不是数据，并且与缺失的列不同，您可以通过重新提问来修复它。

分步说明按步骤保留同样的区分，使用的措辞与它过去用于未缩小范围的步骤相同：

阶段 1（分摊）：cost_line_admin [cost]（lob=COMMERCIAL，所有 region 值）——变化 -$1,100,000.00。

如果表重新合并了多个分摊，且各分支对该列的情况不一致，答案不会把某一个分支的表指为缺少该列的表。如果所有分支都没有该列，它会直接说明，而不是让您把“并非每个”理解为某个分支其实已被缩小范围；如果有些分支有，它会分别指明哪些列不在每个分支的表上，因为在每个表各有两列之一的页面上说“并非每个表都有 lob 或 region 列”并不属实。

这一区分关系到答案接下来声称涵盖什么。有该列的分支确实被缩小到了您所要求的值，所以说数字涵盖该列的每个值，对一个分支成立，对另一个分支则不成立；读者被这样告知后，可能会合理地丢弃一个部分符合其要求的数字。因此答案改为说明，缩小范围只在各分支的表允许的情况下才到达该分支：

简短回答： 无法隔离 region（east_lines 没有 region 列），所以各分支仅在其表有该列时才按 region 缩小范围：在 lob=COMMERCIAL 下，2 个重新合并的分支中，全部 2 个都下降了。

“涵盖其所有值”的措辞保留给它确实成立的情况，即没有任何分支的表有该列，因此在任何地方都没有缩小范围。

它指出您可以改用哪些列来缩小范围

无法应用您的缩小范围的答案，过去只会说明这一点便止步。它拒绝伪造一个无法运行的筛选，这是正确的拒绝，但只让您知道眼前的数字不是您想要的，并没有指出您可以改为请求什么。

现在它的结尾会列出该表确实具有的列，这些列是从表本身读取的，而不是猜测的：

进一步操作： 要隔离某个切片，请重新提问，并用 cost_line_admin 自己的某个列（account、cost_center 或 product）指定 target_filter，并给出该列中的某个值。

该列表就是助手自己会用来寻找切分方式的列，所以它提供的列都是答案真正能够使用的列。它是一种建议，而不是完整的架构列表：名称会与答案自身所述限制的措辞冲突的列会被省略，以免建议中的任何内容被误认为答案正在陈述的限制。

如果您指定了表确实有的列，但没有给出值，则该列会排在建议的最前面，这样能解决页面问题的那一次重新提问就不会被埋在按字母顺序排列的列表里：

进一步操作： entity 是 cost_line_admin 的一个列，只是缺少了 entity 的值。要隔离某个切片，请重新提问，并用 cost_line_admin 自己的某个列（account、cost_center、entity 或 product）指定 target_filter，并给出该列中的某个值。

如果您请求的一个列不在表上，而另一个列在表上但没有值，答案会分别说明各自失败的原因，而不是为两者给出同一个理由。第二个是可以恢复的，而读者若把第一个原因套用到它上面，就会停止尝试本来可行的做法。

缩小范围已应用的答案保持不变：它没有这样的建议可给，也不给出。

它说明重新合并的表能缩小和不能缩小的部分

重新合并多个分摊的表实际上是多张表，每张都有自己的架构，所以缩小范围可能触及一些分支而触及不到另一些。这并不是边缘情况，而是联合（union）存在的常见原因。

这两种情形过去生成的页面都没有指明缩小范围，也没有任何解释。现在它们读起来彼此不同，因为它们是不同的情形，而一个同时适用于两者的句子对两者都说明不了什么。

如果没有任何分支的表有该列，则任何地方都没有缩小范围：

简短回答： 无法隔离 region（没有任何分支的表有名为 region 的列），所以这些数字涵盖所有 region 值：合并总额下降了 26.2%（从 $8,400,000.00 降至 $6,200,000.00）；在 2 个重新合并的分支中，全部 2 个都下降了。

如果有些分支已缩小范围而另一些无法缩小，答案会说明这一点，并标记合并总额，因为它是最有可能被引用到别处的数字：

简短回答： region=WEST 触及了部分分支，没有触及另一部分（east_lines 没有 region 列），所以这些数字一部分是该切片，一部分是整张表：合并总额下降了 26.2%（从 $5,100,000.00 降至 $3,740,000.00），但这不是 region=WEST 的数字；在 2 个重新合并的分支中，全部 2 个都下降了。

其下方的逐分支列表按各分支写入的表来命名，因此开头所提到的分支就是您可以在列表中找到的那个。

缩小范围触及每个分支的重新合并答案读起来与之前完全一样。

它说明整张表是如何变动的

单个业务线的数字本身意义不大。在缩减了 6.2% 的账簿中增长 4.2% 的业务线，与在增长的账簿中增长的业务线，是截然不同的故事，而同一个数字却同时描述这两者。缩小范围的答案过去只给出那个数字，把比较留给您，同时却把整张表的变化说成是它用来衡量缩小范围后变化的基准。

因此，缩小范围的答案现在会在自身数字旁边，列出整张表在相同期间内在它所报告的每个列上是如何变动的。缩小范围的行是该总计的一部分，答案会这样说明，而不是让您自己推算。如果两者符号相反，例如该业务线在期间两端都为负，而整张表在两端都为正，答案会用文字说明，而不是让一个您可能没注意到的负号来承担。

为此不需要测量任何新内容。整张表的数字本来就是缩小范围后的变化所比较的对象，只是从未显示出来。

不过，两个数字并排放置仍然留下了一道减法，而故事恰恰就在这道减法里。上升幅度超过整张表上升幅度的业务线，意味着该业务线之外的一切都下降了：这条业务线在一个方向相反的池中获得了份额，这与上升的数字单独呈现时给人的感觉恰恰相反。因此，如果缩小范围的行之外的变动与这些行相反，答案现在会说明：金额、方向，以及它所属的列。如果方向相同（这是常见情况），则不添加任何内容，因为与该业务线同向的余项并不会告诉您任何值得采取行动的信息。它所依据的两个数字都打印在其上方，因此无需再要求任何其他内容，您就能核对算术。

未缩小范围的答案没有这个块：它已经报告了整张表，再重复一次，就是同一个数字挂在两个标签下。

针对重新合并多个分摊的表的答案有自己的版本。它的各分支是独立的表，所以没有单一的整张表可言，并且每个分支行都把自身池的变化说成是该分支的衡量基准。针对这样的表，缩小范围的答案现在会列出相同两个期间内每个分支的整张表，每行都标明表名，并包含缩小范围的行。在一个真实模型上询问德国成本为何下降时，返回了四个分支，每个都下降约 58%，而它们所在的四张表自身也下降了大致相同的比例，所以无论发生了什么，都不是只发生在德国的事，答案也不再把这一点留给读者根据它没有显示的数字去推算。

它的成员列表说明所分解的是谁的变化

成员列表是答案中最有可能被整体复制出去的部分，而它过去的标题只有分解方式，例如“按科目划分的所有变动项”，没有说明这些行属于哪个总体。在缩小范围的答案中，同一列上整张表的变化打印在该标题的上方，所以您一路向下传递的最后一个范围，指向的是错误的那个，而这些行的总和与其上方的数字也对不上。

这看起来没有任何问题。这些行是精确的，并且正好加总到缩小范围后的变化，所以从上往下核对的读者会得到一个自洽的错误答案，没有任何东西提示他再看一眼；每个成员在全公司范围变动中的占比都会错误地偏离表其余部分的变动量：如果表的其余部分朝相反方向变动则被高估，如果朝同一方向进一步变动则被低估。

缩小范围的答案的成员列表现在会在标题中指明其总体，位置在分解方式和用来排序的列之间：“按科目划分的所有变动项，范围为 entity=EU_DIST”、“按分支划分的所有变动项，范围为 lob=COMMERCIAL — net_contribution”。这里读作“范围为”而不是“针对”，因为分解方式通常是按科目，而“按科目针对 entity=EU_DIST”会让人先把它读成动词，再读成范围。

范围刻意放在列之前，也放在“（显示最大者）”之前。放在列之后，它会被读成列名的一部分；放在“（显示最大者）”之后，它会跟在一句与它无关的关于完整性的陈述后面。

涵盖整张表的答案保持不变：它的行本来就是整张表的行，在那里加上范围只会指明唯一存在的总体。

它说明其排序减去了什么

当一张表同时报告多个列，例如收入以及从中扣除的费用，或者收入与成本，答案旁边的成员列表就是按其中一个列排序的。这样一来，该列表与答案的其余部分可能看起来互相矛盾。在费用列中被指为变动主要来源的某个分支，可能在排序中排在最后，因为一个收入和费用同时下降的成员，净额几乎为零。两种说法都是真的，但并排阅读而中间没有任何说明时，自然的结论是其中一个必定有误。

因此，成员列表现在会在其行的上方说明排序减去了哪些列，也就是说，在这些列中数值很大的成员，在列表中的排名可能很靠后。在费用上很大、在净额上很小的成员，读起来就是算术结果，而不是错误。

这一行说明的是可能发生的情况，而不是实际发生的情况。要说某个具体成员的变动相互抵消，需要一个答案并不总是具备的衡量标准，而点名某个成员的句子，在值得阅读的成员另有其人的表上会指向错误的对象。点明这种关系，则让您可以把它套用到您正在查看的任何成员上。

有两种答案不会有这一行。一种是各列之间不构成加总关系的答案，什么也不加，因为这些数字中没有任何内容可以标识哪个是费用，而答案也不会去猜。另一种是没有任何成员被报告为集中在任何列中的答案，因为此时排序没有第二种说法可与之看似矛盾。

它说明因素和成员是不同的切分方式

追溯中的一个步骤行可以就同一项变化带有两种说法。第一种指明其背后的因素：数字所取自的池发生了变动，而不是这个切片在池中的占比发生了变动。第二种指明变化所在的成员：某个分支占其中的 70%。

两者都对，它们是不同轴上的切分：一种把变化在产生它的因素之间拆分，另一种把变化在它所落到的成员之间拆分。从左到右读，它们像是对同一个问题的相互竞争的答案，而更具体的那个获胜。仅凭页面，读者把“池总额下降”和“某个分支占其中 70%”当作矛盾，并选择了其中之一。

当答案已经按成员分解一个守恒的池时，它会说明这两者是分开的测量：这是它曾经被陈述的唯一形式。所以，缩小到某一个业务线、实体或项目的答案（所指明的因素最常是池总额，而集中的成员位于缩小范围之内）在任何地方都没有说明这一点。

现在这类答案会在诚实的限制下说明一次：为某项变化指明的因素与它所集中的成员是分开的测量，一项变化可以几乎完全来自池总额的变动，同时几乎完全位于某一个成员中。只有当某个步骤行同时带有这两种说法，且页面上没有其他地方已经说明这一点时才会添加，所以此前已经涵盖这一点的答案不会多出第二份。

它检查自己的数学

当 PlaidCloud 解释某个数字为何变动时，它不会止步于第一个合理的说法。它会把各部分与整体重新核对，如果对不上，会说明这一点并调低自身的置信度，这样数据中的细微缺口就会以注意事项的形式呈现，绝不会变成虚假的精确。

它绝不编造数字

每个数字都来自对您数据的真实查询。如果某个问题需要您无权访问的数据，或者数据根本不存在，PlaidCloud 会直接告诉您，而不是猜测。PlaidCloud 不编造任何内容：没有幻觉出来的总额，没有杜撰的科目名称，也没有凭空捏造的趋势。

书面摘要会被检查，而不仅仅是被撰写

当助手把一次分析转写成可读的段落时，存在一个不易察觉的风险：行文遗漏了某项注意事项，或者把某个数字舍入成数据从未说过的内容。PlaidCloud 弥补了这一缺口。除结构化结果外，它还可以返回一份直接依据分析生成的通俗摘要：其中说明置信度，带有每一项注意事项，并且不包含任何并非来自对您数据的真实查询的数字。

它还附带一个配套的忠实度检查，助手可以对自己改写后的版本运行：是否保留了置信度，是否保留了每一项注意事项，是否没有捏造数字？如果改写偏离了，检查就会发现。结果是一段可证明忠实于其下数字的叙述，而不仅仅是行文流畅。

“如果这发生变化会怎样”的答案也得到同样的处理。 它过去会返回数字和一份说明列表，把故事留给您自己拼凑。现在它的开头会说明它能解释多少变化，涉及多少个结果；列出变化直接触及的结果以及每个结果占您所应用变化的份额；并把只能部分测量的结果，以及完全无法测量的结果，放在各自的部分中，而不是不加标记地混在同一个列表里。仅仅作为另一个结果的后果而变动的结果会单独列出，并标明已计入上方的数字，这样您就永远不会把它们再加上去。如果完全无法追踪这项变化，答案会以原因而不是数字开头。

该检查会让假设分析的改写版本遵守答案无法测量的内容。 答案无法测量的结果，其影响是未知的，而不是零，但改写后的版本可以引用另一个结果的数字来对应它，却仍然通过检查。现在，只要某个子句在一个数字旁边提到这样的结果，就还必须说明它没有被测量。如果没有说明，检查会告诉您如何修复：把数字与它所属的结果或总计放在一起，并说明该结果没有被测量，或者撤回被给予该结果的数字。当结果名称包含美元金额时，它也不再拒绝假设分析答案自己的措辞。

它会建议下一个问题

好的分析师不只是回答问题，还会告诉您接下来该问什么。每份摘要都会根据分析实际发现的内容给出自然的后续问题：当数字是整个池的总计时，缩小到单个成员；当某个维度看起来在驱动变化时，按该维度分解变化；或者当某个结果表由不止一个步骤构建时，指向某个具体的步骤。您无需知道确切的措辞即可按建议行动，直接提出即可。

这些建议回答的都是哪个：哪个成员、哪个字段、哪个步骤。还有一种回答的是何时。当答案指出一个主导因素并给出百分比时，该百分比是在您所比较的整个期间上测量一次得到的，所以一次一步到位的变动和逐步累积的变动会给出相同的数字。助手会提议在若干个更窄的期间上重新运行并相互比较，这正是区分二者的方法；单独一个更窄的期间只是再做一次同样的两点比较。它同时说明，这些更窄的数字加总起来不会等于上面的数字，因为每个期间都是独立测量的：池、驱动因素和拆分都为其重新推导，所以这些占比是它们自己的答案，而不是对更宽范围的划分。它不指定任何具体期间，因为区间中哪一部分重要由您来选择，猜测只会成为分析尚未得出的发现。如果您比较的两个对象不是期间，例如两个方案、两个版本，或预算与实际，则完全不会出现该建议，因为没有可运行的更窄范围，助手也不会把这种比较描述为时间。

另有两种情况会省略它，两者都是因为该建议否则会偏离您所要的答案。第一种是答案已经报告两个期间中有一个的行数远少于另一个，并要求在依赖该变化之前检查加载情况：把那个期间拆成更窄的期间只会分散不足，而引发疑问的行数在每个更窄的窗口中都会更弱。第二种是答案涵盖多个数值列，且它领头的列没有自己的百分比：此时该建议所要限定的每个百分比都属于您没有询问的列，所以它读起来像是对答案的一项限制，却没有触及答案的任何部分。领头列自己给出了百分比的答案仍会得到该建议。

如果运行某项建议会返回您已经在查看的内容，该建议也会被省略。在涵盖单个列的答案上，助手选作最佳解释的字段，就是成员表已经按其分组的字段，所以“按该字段分解变化”会返回同一张表，而旁边的说明却说这些数字与页面上的不会一致，实际上它们完全一致。如果这种分解确实能在另一个列上给出答案，则保留该建议。

如果分析发现了多个它不会在其中猜测的候选，例如两个都构建表的步骤，或者多个过于接近而无法区分哪个是变化解释的字段，它会把每一个都作为单独的建议提出，而不是让您在不说明有哪些可选的情况下去挑选。可以完全按字面执行的建议排在最前。

当这些候选是字段时，现在会在发现本身中直接点名，而不只是出现在下面的建议里。每个字段都会给出其最强的成员，以及该成员自身的数字变动了多少，并与整个列的变化相对照，这样您在选择之前就能看出这些并列的说法中哪个更大。只说它们得分相近会掩盖这一点：在一个汽车行业的模型上，并列的两个成员的变动都超过了整个列的变动，两者的数字加起来超过它的四倍，而读者只看到“有几个得分相近”，便将两者视为可互换，并报告了排在前面的那一个。答案还会同时说明，这些候选是重叠的，而不是在它们之间划分池：每一个都是对同一项变化的不同切分，所以这些数字不是同一个总数的各部分，把它们加起来没有任何意义。并且由于一对字段是搜索从未打分的视图，交叉分解会作为接下来要运行的步骤提出，即同时按两者分解变化，而不是作为分析已经测量过的内容。

什么都没找到的搜索，仍然值得告诉您。如果您没有指定用来分解变化的字段，助手会寻找最能解释它的那个字段；如果它尝试的所有字段都不足以好到可以报告，它会如实说明，而不是保持沉默：变化读起来是整个池上的广泛变动，而最接近的字段是这个，并指明它最大的成员以及该成员所占变化的份额。之所以点名该成员，是因为这是答案对自己不确定的唯一发现，所以也是您最需要能够核对的一项；这也让随附的警告（后续提问可能以另一个成员领头）成为您可以测试的内容。该字段作为可按字面运行的建议提出，被描述为弱字段中最强的，而不是一个难以取舍的情况，因为搜索判定它不具解释力。数字的置信度不会因此降低：没有选定任何东西，所以没有需要打折的猜测。

最后这两种是不同的结果，措辞也将它们区分开：有几个字段得分同样好，会得到每个字段一条建议，候选被点名并给出规模，并建议同时按其中两个切分；而没有任何字段得分足够好，则会得到单一的最接近的选项，并按其本来面目提出。

在有多个数值列的结果上，说明会指明它搜索的是哪一列。 这类结果（例如成本、收入和利润并排）是一次搜索一个列的，而答案本身以摘要列领头。因此，“什么都没找到”的结果会说明它涵盖的是哪个列的变化，而不是读起来像是对整个结果的裁定。请按它指明的内容来理解：同一结果的另一个列可能确有能解释它的字段，直接请求该分解就会知道。

看起来相似的两个百分比会被区分开。 当助手选出最能解释变化的字段时，它报告的数字是该字段在池中占比的变动。当您自己按某个字段分解变化时，数字是每个成员自身的变化。这是针对不同总计的不同测量，两者都正确，所以各自都会说明自己是哪一种，而不是两者都读成变化的普通百分比。两者都不会承诺这两个数字会不同。没有任何成员分解会打印每个成员的百分比，它的行都是金额，所以一个措辞为“不一致”的警告会让您去寻找一个无法做出的比较，而一个无法核对的警告只会让人学会无视它。各自只说明这两个衡量标准是什么，到此为止。

上面的最接近候选说明同样如此，在搜索没有选定任何内容的情况下：它所引用的最接近字段的占比也是占比的变动，而按该字段的分解报告的是另一种衡量标准。“低于标准”是关于搜索的陈述，而不是对分解所能显示内容的上限。

并列的情况也是如此，两种衡量标准出现在同一句话里：候选是按同一个占比变动打分的，而旁边打印的数字是其成员自身的变化。因此答案会指明这两种衡量标准，而不是让这些金额被当作打分所比较的对象。它不会继续声称这两者会得出不同的大小，因为那里没有打印出占比数字来供核对，而一个无法核对的警告只会让人学会无视它。

为什么与众不同

大多数 AI 分析工具无论对错都信心十足。挂在仪表板上的通用聊天机器人会生成流畅、听起来权威的答案，却不给您任何办法区分可靠的答案和错误的答案。对这类工具而言，每个数字都只是一个数字。

PlaidCloud 的设计恰恰相反。置信度评级、自我对账和诚实的注意事项是每个答案的一部分，因为您无法信任的答案不值得拥有。这种诚实就是全部意义所在：它让您能够真正使用一个 AI 生成的解释，用于董事会演示文稿、预测或决策，而无需手动重新核对。

适用于您已在使用的 AI

您无需采用新工具即可获得这些。无论您的团队日常使用哪种助手，PlaidCloud 的诚实分析都能通过它呈现：

Microsoft 365 Copilot整个团队可在 Teams、Outlook 和 Microsoft 365 应用中提问，只需登录一次，默认只读。

AI 编码代理（MCP）通过模型上下文协议连接 Claude Code、Cursor、Claude Desktop、ChatGPT 或 Gemini。