WPS 表格
AI 公式能力升级

业务地图

公式被纳入 O1，不是因为它复杂，而是因为它同时具备高频、高门槛和强结果闭环——这三件事同时成立的功能很少。

主线从表格组目标出发：表格日活年度目标 130w → 260w。用户每天在算、查、配、汇总，却常常不会写、不会表达、不会填参数。我们把它拆成一条链路来看，而不是当成一个「AI 生成公式」的单点功能。

AI 公式推荐

主 OWN写公式前段

AI 写公式面板日均约 13 万用户打开，其中 71.3% 从未发送过一条 Query。

问题不在生成质量，在表达之前。

如果用户连第一句话都说不出来，优化模型的输出准确率是没有意义的。方案因此改变了输入形态：不再等用户描述需求，而是基于表格结构、激活单元格与表头，直接推荐 1–3 条完整公式，并附带解释、编译校验与异常态。用户要做的从「描述」降级为「挑选」。

函数参数推荐

写公式中段

用户已经知道要用哪个函数，却卡在参数选择、区域填写与跨表引用上。

这一段的核心判断是低干扰：入口放在函数参数弹窗内，不打断写公式的主流程。上线后的数据把判断劈成了两半——点击后采纳率 43.2% 说明推荐质量站得住，但入口点击率只有 0.86%，说明用户在那个位置根本没有形成心智。

不打断主流程的代价，是没人注意到它。

这是我在这段实习里学到最贵的一课：低干扰和可发现性是一对权衡，不是可以同时最大化的两个目标。如果重做，我会先验证入口的可发现性，再谈干扰控制。

测评体系与样张

底层能力

AI 公式不能只看生成的文本对不对，要在真实表格、真实 Query 里验证。

人工编造的题目会系统性地偏离真实分布——编题的人会不自觉地写出规范的需求描述，而线上 28.7% 的 Query 短于 10 个字。所以样张必须反向来做：先从 121,760 条线上 Query 分析函数分布与表达类型，再去找能承载这些 Query 的真实文件。

测试集从线上分布反推，不从人的想象出发。

埋点取数与流程沉淀

数据验证流程层

功能上线不等于行为改变。要判断有没有真的改变，得先把行为链路变成可追踪的事件。

我把用户行为链路拆成六个埋点事件，覆盖从曝光到失败原因的全路径，使「有没有用」这个问题变成可回答的。同时把重复劳动沉淀成 Skill 与自动化流程，让后续同类项目不必从零开始。

重复三次以上的判断，应该变成流程而不是经验。