向 LLM 询问 CSV：发送 schema，而不是表

你有一个 sales.csv，包含 5,000 行数据，还有一个问题：10 月份哪个产品卖得最多？不要把文件粘贴到聊天里。把列名、列类型和三行示例数据发给模型，让它给出一行 pandas 代码，然后你自己在完整文件上运行这一行。模型从不读取你的 5,000 行数据，提示词保持很小，而你得到的数字来自可以重新运行的代码。

下面说明为什么这样做更好、提示词长什么样、一个可以复制的脚本，以及它相比粘贴全部内容的成本。

为什么粘贴整张表会出错#

这里有一个你可能熟悉的故事。有人把 200 行费用数据粘贴到聊天里，然后问总计是多少。答案回来时很自信，连分位都有。但它也是错的，而屏幕上没有任何东西告诉你这一点。

模型逐块预测文本（这些块就是 token）。对 200 个数字求和是 200 个小步骤，内部没有计算器，而一个滑错的数字看起来和正确答案一模一样。代码的行为不同：df['amount'].sum() 每次都会把所有行加起来，第二次运行也会给出相同结果。

还有第二个问题，而且和大小有关。一张表会很快吃掉 上下文窗口，而且每个问题你都要为每一行付费。对同一个文件问十个问题，就意味着把整张表的十份副本作为输入发送。

发送表的形状，而不是表本身#

模型不需要你的数据来写代码。它需要知道表长什么样：有哪些列、这些列保存什么类型的值，以及一行是怎么写的。这就是 schema 加几行数据。

假设你的 sales.csv 有四列。这就是完整的提示词：

A pandas DataFrame named df has these columns and types:
date        object
product     object
units        int64
price      float64

First 3 rows (CSV):
date,product,units,price
2026-10-01,Oat latte mix,12,4.50
2026-10-01,Cocoa,7,3.20
2026-10-02,Oat latte mix,9,4.50

Question: Which product sold the most units in October 2026?

Reply with ONE line of pandas code that computes the answer from df.
No explanation, no markdown, no imports.

预期回复的形状类似 df[df['date'].str.startswith('2026-10')].groupby('product')['units'].sum().idxmax()。具体措辞每次运行都会不同，所以运行前先读那一行。

为什么是三行而不是只有列名？因为日期。类型列写的是 object，这只表示文本。示例行显示日期写成 2026-10-01，所以模型知道要匹配文本 2026-10，而不是 10/2026 或月份名称。大多数错误的 pandas 代码行都来自猜测表里从未有过的格式。

脚本：提问、读取代码行、运行它#

下面的脚本会根据你的文件构建那个提示词，这样你就不用手动输入 schema。它通过 OpenAI Python SDK 调用 CheapTokens API：基础 URL 为 https://api.cheaptokens.dev/v1，模型 id 为 deepseek-ai/DeepSeek-V4-Flash-0731。把密钥放在环境变量里，不要放在文件中。

import os
import pandas as pd
from openai import OpenAI

client = OpenAI(
    base_url="https://api.cheaptokens.dev/v1",
    api_key=os.environ["CHEAPTOKENS_API_KEY"],
)

df = pd.read_csv("sales.csv")      # for .xlsx: pd.read_excel("sales.xlsx")

schema = df.dtypes.to_string()
sample = df.head(3).to_csv(index=False)
question = "Which product sold the most units in October 2026?"

prompt = f"""A pandas DataFrame named df has these columns and types:
{schema}

First 3 rows (CSV):
{sample}
Question: {question}

Reply with ONE line of pandas code that computes the answer from df.
No explanation, no markdown, no imports."""

resp = client.chat.completions.create(
    model="deepseek-ai/DeepSeek-V4-Flash-0731",
    messages=[{"role": "user", "content": prompt}],
    max_tokens=500,
)

text = resp.choices[0].message.content.strip()
code = text.removeprefix("```python").removeprefix("```").removesuffix("```").strip()
print("Model's line:", code)
print("Tokens in/out:", resp.usage.prompt_tokens, resp.usage.completion_tokens)

if resp.choices[0].finish_reason != "stop" or "import" in code or "__" in code:
    raise SystemExit("Not running this one. Read the line above and decide.")

print("Answer:", eval(code, {"df": df, "pd": pd}))

最后一块是初学者会跳过的部分。eval 会在你的机器上运行模型写出的任何文本，所以脚本会拒绝包含 import 或 __ 的代码行，以及被截断的答案（finish_reason 不是 stop；参见为什么答案会在句子中间停止）。而且你仍然要先阅读打印出来的代码行。如果它涉及文件、网络或任何你没有要求的内容，就不要运行它。

第一次运行会打印三样东西：模型给出的代码行、这一次请求的 token 计数，以及答案。token 计数是下一节的计量器。

成本：粘贴全部内容 vs schema + 3 行#

为了比较，我们需要给一行数据定一个大小。假设一行像 2026-10-01,Oat latte mix,12,4.50 这样的数据大约占 20 个 token。这是一个假设：它取决于模型的分词器和你的列，而发送前计算 token 会显示你的真实数字。按每行 20 个 token 计算，5,000 行就是 5,000 × 20 = 100,000 个输入 token。schema 加三行的提示词大约 300 个 token，包含指令。两种情况下答案都很短，比如 60 个 token，所以差异完全在输入侧，也就是随你的表增长的那一侧（更多内容见输入 token 与输出 token）。

两个数字换算成美元都很小，这很诚实：便宜的模型让即使浪费的方式也变得可负担。差距在于增长。每天问 20 个问题，粘贴全部内容的提示词就要发送 20 次。表翻倍，其成本也翻倍，而 schema 提示词不会变。而且还有一堵硬墙：在 380K token 的上下文窗口下，380,000 ÷ 20 = 19,000 行是你最多能粘贴的行数，这还没有给答案留任何空间。一个 50,000 行的导出文件根本放不下。而 schema 提示词无论表多大都能放下。

代入你自己的表，看看每日成本：

把 in 改成 300，看看 schema 方式。CheapTokens 上的 DeepSeek-V4-Flash 在任何时段都是一个价格，没有高峰时段附加费，而且一个余额覆盖所有模型，所以你可以把模型 id 换成 zai-org/GLM-5.3-Flash（390K 上下文），无需第二个账户。当前价格在定价页面上。

信任数字之前先检查它#

循环总是一样的。每次都这样做，错误答案就会在第四步被抓住，而不是在报告里。

第四步很便宜。把文件过滤到少量行（df[df['product'] == 'Cocoa'].head(10)），在脑子里或在电子表格里把它们加起来，然后比较。如果模型给出的代码行是错的，通常错得很明显：它数了行数而不是对 units 求和，或者选错了月份。

想了解更多这样的习惯，请参阅为什么 AI 会编造内容，以及减少这种情况的 4 个提示词习惯。

如果不起作用#

• KeyError: 'Date'。模型写出的列名大小写不同。把真实的表头行粘贴到提示词里，三行示例数据已经做到了这一点，并加上“完全按照所示使用列名”。
• 回复在代码前有一句话。你的 eval 因 SyntaxError 而失败。在提示词末尾重复“一行 pandas 代码，不要解释”，最后一条指令最重要。
• 答案是一张表，而不是一个数字。说明你想要什么形状：“返回单个数字”或“返回按降序排序的 Series”。
• 日期结果错误。示例行显示了真实格式。如果你的日期是 14/10/2026，模型需要看到这一点；把 pd.to_datetime(df['date'], dayfirst=True) 加到提示词里，作为你希望读取日期的方式。
• finish_reason 是 length。回复被 max_tokens 截断了。一行代码在 500 个 token 内就能放下，所以检查提示词：模型可能在做长篇解释。

从密钥到响应的首次请求完整设置，见 CheapTokens 文档。