用 AI 重新发明 Excel(一):为什么要做这个?

系列文章《用 AI 重新发明 Excel — 一个独立开发者的实战记录》第 1 篇

这是一个真实的场景

我老婆学校的办公室，小王老师正对着两张 Excel 表格发愁。

一张是「学生毕业信息表.xlsx」，有 16 个学生的姓名；另一张是「最全八年级三班信息表.xlsx」，有学生姓名、身份证号、联系电话等几十列数据。她的任务很简单——把身份证号从信息表匹配到毕业表里。

如果你是 Excel 高手，大概知道要用 VLOOKUP 或者 INDEX+MATCH。但小王老师根本就不会这些。她问了周围的同事，大家都是选择最原始的方式：一个一个手动复制粘贴。16 个人，差不多 10 多分钟。

这不是个例。在无数的办公室、学校、政府机关里，好像每天都有人在重复这样的事。虽然大学大家都在考计算机二级，但是真正工作的时候还是记不住那些 Excel 的操作。

既然这是一个普遍的痛点

不可否认，Excel 已经是全世界使用最广泛的数据工具，没有之一。但它有一个残酷的现实：它的强大和它的门槛成正比。

对于非技术用户来说：

• VLOOKUP 要记住四个参数，还要理解什么是"列序号"和"精确匹配"
• IF 嵌套 写三层就开始晕
• 数据透视表 光是拖拽字段到行/列/值区域，就能把人搞糊涂
• 条件格式、数据验证、宏……每一个都是一道学习门槛

而这些操作背后的需求，用自然语言其实一句话就能说清：

"帮我从信息表找到姓名对应的身份证号，填到毕业表里。"

一句话。人听得懂，也知道怎么做。那为什么不能让 AI 来听这句话，然后帮你做？

我一直在找市面上的解决方案

上网查了很久，市面上确实已经有一些 AI + Excel 的产品。我试用了不少，但是体验并不理想。

ChatExcel / Sheet+

这类产品的思路是：用户上传 Excel 文件到云端，AI 在云端处理，然后下载结果。

问题很明显：

1. 隐私风险：你的工资表、学生信息表、客户名单，都要传到别人的服务器上
2. 文件大小限制：稍大一点的文件就处理不了
3. 无法预览变更：AI 直接改了你的数据，你不知道它改了什么，改对了没有
4. 操作不透明：黑箱操作，出了问题无从追溯

让 Claude / ChatGPT 直接写代码

技术人员可能会想：直接让 AI 写 Python 代码操作 Excel 不就行了？

确实可以。比如用 Claude Code，你可以说"帮我处理这个 Excel"，它会写 pandas 代码、执行、输出结果。我自己就经常这么干。

但这对普通用户来说门槛太高了：

1. 需要安装 Python 环境
2. 需要理解命令行
3. 看不到数据的实时预览
4. 没有确认机制——AI 写的代码直接就跑了，改错了你可能都不知道
5. 文件路径、Sheet 名称，都需要自己手动输入

一个空白地带

我发现了一个空白：一个让普通用户也能用自然语言安全操作本地 Excel 文件的桌面应用。它应该具备：

• 本地运行，文件不出本机
• 自然语言交互，不用学任何公式
• 操作前预览变更，用户确认才执行
• 自动备份，改错了能恢复
• 支持多文件、跨表操作

这就是 Excel Agent 的起点。

它长什么样？

想象你打开一个桌面应用，界面分三个区域：左边是文件浏览器，中间是 Excel 数据预览，下面是对话框。

😯不用想象了，我已经把这个页面做出来了👇🏻：

你打开两个 Excel 文件，然后在对话框里输入：

帮我从 @最全八3信息.xlsx 找到姓名对应的身份证号，填到第二列

几秒钟后，系统弹出一个对比窗口：左边是修改前的数据，右边是修改后的数据。你确认没问题，点击"保存"——16 个学生的身份证号全部匹配完成。

整个过程不到 30 秒。不需要知道 VLOOKUP 是什么，不需要记任何公式。

比如我的测试数据案例：

再来几个例子：

每一个操作，都是先预览再执行。每一次修改，都自动备份原文件。

为什么我决定自己做？

我是一个开发者，平时也帮身边的朋友处理 Excel 问题。最常见的求助就是"帮我 VLOOKUP 一下"或者"帮我把这两张表合一合"。

这些操作对我来说几分钟就能搞定，但教别人用 VLOOKUP，往往比我自己做还要花更多时间。

现在大语言模型的 function calling 能力已经比较成熟。我意识到一件事：这些 Excel 操作本质上是高度结构化的，完全可以用 AI 做意图识别，然后用确定性的代码来执行。

AI 擅长理解"帮我从 A 表找姓名对应的电话填到 B 表"这种自然语言，并拆解成"源文件是 A，目标文件是 B，关联键是姓名，要取的值是电话"这样的结构化参数。

而具体的数据操作——去重、排序、筛选、匹配——这些是确定性的，用写好的代码执行就行，根本不需要让 AI 每次重新生成。

让 AI 做它擅长的事（理解意图），让代码做代码擅长的事（可靠执行）。

这个想法后来成了整个项目的核心设计哲学。但在最初的版本里，我并没有想到这一点——我走了不少弯路，踩了很多坑。这些故事，我会在后面的文章里详细展开。

这个系列会讲什么？

这是一个从零开始构建 AI 驱动桌面应用的完整记录。不只是代码，更是设计决策、踩坑经历和思考过程。

第 2 篇：技术选型——为什么选择 Electron + React + Python 的三层架构？每一个选择背后有什么权衡？

第 3 篇：信任模型——AI 说"已完成"但文件没动怎么办？如何设计一个不依赖 AI 可靠性的系统？这是我认为最有价值的一篇。

第 4 篇：对抗幻觉——AI 会撒谎，怎么让系统识别并拦截？三道防线的具体实现。

第 5 篇：安全机制——让 AI 生成代码并执行，如何保证不会 rm -rf /？沙箱设计 + 自动备份。

第 6 篇：MCP 协议——如何让这套 Excel 操作能力脱离 UI，被 Claude Desktop、Cursor 等任何 AI 客户端调用？

第 7 篇：复盘——诚实评价优缺点，与同类产品对比，以及未来的方向。

如果你是开发者，希望这些实战经验能给你一些启发。如果你是普通用户，也许你会了解到：在 AI 时代，软件可以用一种完全不同的方式来设计。

下一篇：技术选型 — 为什么是 Electron + React + Python？