我是一個老程序員，今年 42 歲，仍然在一線編程領(lǐng)域工作。

2022 年底以 ChatGPT 為代表的 AI 工具席卷整個業(yè)界后，我也使用了不少能提高辦公效率的 AI 工具。比如程序員的好幫手，來自微軟的 Copilot.

這款名叫小浣熊的 AI 辦公工具，我之前并沒有聽說過。

在 InfoQ 社區(qū)首頁看到它出自商湯旗下，我眼前一亮，覺得這款工具肯定不會差。于是就花了一點時間試用了一番，通過本文同各位同行交流。

我手頭正好有個數(shù)據(jù)分析的實際需求。

我平時堅持技術(shù)寫作，每一篇文章寫好后，我都把文章標(biāo)題維護到一個 Excel 文件中。不知不覺也有 5000 多篇了。

于是我想了解下，這 5000 多篇文章，大致的分類情況。

打開小浣熊工具集合里的辦公小浣熊：

https://raccoon./office

選擇本地 Excel 文件進行上傳。

然后發(fā)出指令：

我上傳的 Excel，第一列為文章標(biāo)題，請你分析這個 Excel 里總共的文章數(shù)量，并且根據(jù)文章標(biāo)題，智能地將這些文章進行歸類，然后繪制出餅狀圖，展示每一類的文章，占文章總數(shù)的百分比。

我們在小浣熊辦公助手里，能看到其自動生成 Python 代碼，使用的 pands 庫進行數(shù)據(jù)分析。

很快就看到了數(shù)據(jù)分析的結(jié)果：

分析結(jié)果顯示，編程類文章約占五分之一，設(shè)計類占 16.1%, 而其他類文章占據(jù)了五分之三。

我覺得這個結(jié)果不太準(zhǔn)確。因為事實上，我的大部分文章，都是和計算機編程技術(shù)相關(guān)的。而現(xiàn)在 60% 的文章，被分類成了「其他」。

那么來看看生成這段結(jié)果的 Python 代碼：

# 重命名列名以便于處理
df.columns = ['文章標(biāo)題']
# 計算文章總數(shù)total_articles = df['文章標(biāo)題'].nunique()
# 對文章標(biāo)題進行分類# 這里我們可以嘗試使用關(guān)鍵詞匹配的方式進行分類# 定義一些關(guān)鍵詞和對應(yīng)的分類
categories = {    '編程': ['編程', '代碼', '開發(fā)', '開發(fā)', '算法', '數(shù)據(jù)結(jié)構(gòu)', '軟件', '系統(tǒng)', '技術(shù)', '技術(shù)', '技術(shù)', '技術(shù)'],    '設(shè)計': ['設(shè)計', 'UI', 'UX', '圖形', '界面', '視覺'],    '產(chǎn)品': ['產(chǎn)品', '運營', '市場', '用戶', '體驗'],    '其他': []}# 為每篇文章分配一個類別
def categorize_article(title):    for category, keywords in categories.items():        if any(keyword in title for keyword in keywords):            return category    return '其他'
df['分類'] = df['文章標(biāo)題'].apply(categorize_article)# 計算每個分類的文章數(shù)量category_counts = df['分類'].value_counts()# 顯示分類結(jié)果和文章總數(shù)total_articles, category_counts

可以看出，這段代碼定義了一個字典數(shù)據(jù)結(jié)構(gòu) categories，鍵為硬編碼的編程，設(shè)計，產(chǎn)品和其他四個字符串，值為數(shù)組。

然后遍歷 5000 多篇文章的標(biāo)題，如果標(biāo)題至少包含這四個類別對應(yīng)數(shù)組里任意一個元素，就認(rèn)為該文章屬于該類別。

舉個例子，假設(shè)有篇文章的標(biāo)題為 SAP UI5 List Report Lazy Load 技術(shù)介紹。因為標(biāo)題里包含技術(shù)這個字符串，而小浣熊辦公助手生成的硬編碼的編程類別里，也定義了一個叫做技術(shù)的元素。

因此二者匹配，SAP UI5 List Report Lazy Load 技術(shù)介紹這篇文章，被劃分到編程的類別范疇內(nèi)。

于是我調(diào)整了提示指令，新的內(nèi)容如下：

你好，我閱讀了你生成的 Python 源代碼。我發(fā)現(xiàn)你是通過簡單的字符串匹配方法，即分析每篇文章標(biāo)題，是否包含了硬編碼的類別關(guān)鍵字，來對文章進行分類。

我現(xiàn)在想請你換一種方式，通過對文章標(biāo)題，進行語義分析，來對其進行分類。

我舉個例子，有這樣一篇文章標(biāo)題：SAP UI5 List Report 的 Lazy loading 實現(xiàn)機制分析。

雖然文章標(biāo)題，并沒有出現(xiàn)類似“技術(shù)”的關(guān)鍵字。

但是在編程領(lǐng)域，Lazy loading 是一種公認(rèn)的異步加載數(shù)據(jù)技術(shù)，因此這篇文章，應(yīng)該被劃分到技術(shù)文章的范疇。

請你根據(jù)我上述的例子，重新對 Excel 里的文章進行分類。

然而當(dāng)我發(fā)出指令后，收到提示消息：

當(dāng)前會話已過期，請打開新會話。

這就稍稍有點影響用戶體驗了，要知道 ChatGPT 可是沒有這個限制的，我們可以隨時對一個現(xiàn)成對話，展開追加交談。

于是創(chuàng)建一個新的對話。再次向小浣熊發(fā)出指令后，發(fā)現(xiàn)其處理邏輯，仍然采取之前的硬編碼關(guān)鍵詞+字符串匹配的方式來完成：

不過瑕不掩瑜，小浣熊辦公助手支持用戶采用自然語言的方式來發(fā)送指令，對于那些沒有任何編程基礎(chǔ)，但仍然有需求使用 AI 工具來輔助辦公的用戶來說，仍然能夠發(fā)揮非常大的作用。

下面再嘗試用小浣熊助手解決另一個實際辦公需求。

有個大姐向我求助，她每天有很多 Word 文件需要處理。每個文件的初始內(nèi)容只有正文，她需要逐一打開每個文件，進行重復(fù)操作。比如添加正文標(biāo)題，設(shè)置頁眉，調(diào)整段落格式等等。

有沒有可能通過工具來自動化這些繁瑣的流程？

我的第一反應(yīng)是可以用 RPA 解決此類需求。

不過考慮到有些企業(yè)里，員工使用的辦公電腦，不能隨意安裝一些其他的客戶端。

那么，有沒有辦法通過瀏覽器端運行的工具，來實現(xiàn)自動化？

使用小浣熊辦公來嘗試一下。

我先制作好了一個 Word 文件作為模版：頁眉字體大小為 14，字體類型為宋體，背景色為黃色。

發(fā)出指令：

我上傳了一個 Word 文檔給你。文章的頁眉字體類型為宋體，字體大小為 14，字體背景顏色為黃色。請你記住這個設(shè)置。

這里我顯式要求它記住這個設(shè)置。

通過對話，小浣熊成功將模版文件頁眉的字體類型和字體大小解析了出來。

從生成的代碼看，小浣熊將解析出來的頁眉字體設(shè)置，分別存儲到了三個變量中。

繼續(xù)測試，給小浣熊提供第二個文件。我期望它能夠把“第二篇文章，把這段文字設(shè)置為頁眉”這句話，設(shè)置為頁眉，并且按照第一個模版文件中包含的頁眉參數(shù)，進行同樣的設(shè)置。

指令如下：

我上傳了一個 Word 文檔給你。請你按照前一篇 Word 文檔的頁眉設(shè)置屬性，比如字體類型，字體大小，字體顏色，將這個 Word 文檔的第一句話，設(shè)置為該 Word 文檔的頁眉。

從自動生成的 Python 代碼看，小浣熊之前從第一個文檔里解析出來的頁眉設(shè)置，存儲在變量 header_font.name 和 header_size 中，然后將這些值，賦給第二個文檔的頁眉。

理論上看這個處理方式?jīng)]有問題。不過打開修改后的文件，發(fā)現(xiàn)頁眉的字體類型和大小，并沒有修改成期望中的宋體和 14.

我們再將小浣熊生成的解析第一個模版 Word 文件的 Python 代碼，拷貝到本地，發(fā)現(xiàn)可以直接運行，看來小浣熊生成代碼指令的質(zhì)量確實很高。

并且從 Python 調(diào)試器里，能看到確實成功將宋體和 14 這兩個屬性提取出來了。

看來在同一個上下文的兩次對話里，小浣熊 Python 代碼里全局變量的值保存處理，有一點小小的問題。

不過這個問題也不大，因為我們可以把要設(shè)置的頁眉屬性，直接通過指令的方式，發(fā)送給小浣熊即可。

從體驗過程中我發(fā)現(xiàn)，小浣熊根據(jù)自然語言發(fā)布的指令，生成的 Python 代碼質(zhì)量非常高。因此除了作為辦公助手之外，它也可以用來作為 Python 零基礎(chǔ)的學(xué)習(xí)者，想入門 Python 編程的一個輔助工具。