duck.ai支持五种数据清洗规则生成方法：一、自然语言指令驱动；二、样本数据反推；三、sql脚本逆向提炼；四、跨系统字段映射；五、嵌入业务术语库增强。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您需要为结构化数据编写清洗规则，但面临字段格式混乱、缺失值分布不均、业务语义模糊等问题，则可借助Duck.ai快速生成符合实际场景的数据处理逻辑。以下是多种可行的规则编写方法：
一、自然语言指令驱动规则生成
该方法利用Duck.ai对非结构化需求的理解能力，将业务描述直接转化为可执行的清洗规则定义，适用于无编程基础或需快速验证逻辑的场景。其核心在于用明确的动词+对象+约束条件构建提示词，避免歧义。
1、在Duck.ai对话界面输入清晰指令，例如：“对‘订单表’中‘下单时间’列，识别所有形如‘2024/03/15 14:22’、‘2024-03-15T14:22:05’、‘2024年3月15日’的字符串，统一转为ISO标准时间戳，并将无法解析的值标记为NULL”。
2、确认Duck.ai返回的规则描述是否包含字段名、原始格式枚举、目标格式、异常处置方式四项要素。
3、将生成的规则文本复制至数据治理平台的规则配置模块，或作为SQL/CDC清洗任务的注释说明。
二、基于样本数据反推清洗规则
该方法通过上传小批量真实数据样例，由Duck.ai自动识别字段分布特征与潜在质量问题，进而归纳出适配该数据集的清洗规则集合，特别适合接手陌生系统遗留数据。
1、准备含50–100行的CSV或Excel样本文件，确保覆盖空值、异常值、多格式混杂等典型情况。
2、在Duck.ai中点击“上传数据”按钮，选择该文件，并提问：“请分析各列的数据类型、缺失率、唯一值数量、常见异常模式，并为每列生成一条优先级最高的清洗规则。”
3、检查返回结果中是否包含针对文本列的正则过滤规则、数值列的边界截断规则、日期列的多格式匹配规则等具体条目。
三、从SQL清洗脚本逆向提炼业务规则
该方法适用于已有运行中的ETL脚本但缺乏文档支撑的场景，Duck.ai可将技术实现还原为可读性强的业务语言规则，便于纳入数据字典或审计追溯。
1、复制一段正在使用的SQL清洗语句，例如：UPDATE orders SET phone = REPLACE(REPLACE(phone, ' ', ''), '-', '') WHERE LENGTH(phone) > 11;
2、向Duck.ai提交该语句并要求：“将此SQL操作翻译为面向业务人员的清洗规则描述，需说明适用字段、原始问题、处理动作、生效条件。”
3、核验输出是否体现“电话号码列存在空格与横杠干扰，且长度超11位时视为无效，需先标准化格式再校验长度”这一完整语义链。
四、跨系统字段映射规则协同生成
该方法用于对接多个异构系统时，自动比对源字段与目标字段的语义差异，并生成字段级转换规则，解决因命名不一致、单位不统一、编码体系不同导致的清洗盲区。
1、提供两个系统的字段清单，例如源系统“客户主数据”含字段[客户ID, 客户等级代码, 年消费额]，目标数仓“dim_customer”含字段[cust_key, cust_tier, annual_spend_amt]。
2、向Duck.ai发送对照表并指令：“根据字段名、示例值及业务上下文，为每个目标字段生成一条映射清洗规则，包括来源字段、转换逻辑、默认值策略。”
3、重点确认“客户等级代码→cust_tier”是否生成类似“将A/B/C类映射为1/2/3，空值补0，非法值置为-1”的带兜底机制的规则。
五、嵌入业务术语库的规则增强生成
该方法将企业专有词汇表、合规条款、行业标准等知识注入Duck.ai推理过程，确保生成的清洗规则符合监管要求与内部治理规范，避免通用模型产生的语义漂移。
1、预先整理JSON格式术语库片段，例如：{"terms": [{"term": "高风险客户", "definition": "近3个月投诉≥2次或逾期天数＞90", "field": "risk_level"}]}。
2、上传术语库后输入指令：“依据所附术语定义，为‘risk_level’字段生成清洗规则，要求能从原始投诉日志与账期明细中自动识别并赋值。”
3、验证输出规则是否引用术语库中明确定义的阈值与计算口径，而非使用模糊表述如“较多投诉”或“长期拖欠”。
