大数据集中发生的事
在 Windows 设备上运营谷歌表格自动化工作时，遇到了意想不到的问题。处理月度交易记录 10,000 行时，使用 Claude Code 进行排序和验证，但团队指出特定价格范围的数据被遗漏了。
"Claude Code 抓到了上个月的价格范围，但为什么这个月的特定范围找不到？"
原因分析：条件逻辑的盲点
问题比想象的要简单。提给 Claude Code 的提示词是这样写的：
"找出 300 以上 500 以下的数据"
但实际数据中确实存在「300」这个精确值，Claude Code 在解释「300 以上」这个条件时，在浮点数计算过程中引发了细微误差。非开发者预期的逻辑与 AI 执行的逻辑之间产生了微小差距。
修正方法：两次实验
第一次尝试（失败）
重新更详细地编写提示词。
检查谷歌表格中的价格列，
突出显示 300 <= 价格 < 500 范围内的所有数据。
排除不必要的小数点计算。
结果：仅检测到约 70% 的数据。Claude Code 理解了条件定义，但在一次性处理 1 万行时，中间的处理流程似乎中断了。
第二次尝试（成功）
决定将大数据集分成较小的单位。
1. 首先将谷歌表格分成 5 个部分，每部分 1,000 行
2. 分别对每个部分运行 Claude Code
3. 将结果收集到单独的标签页
4. 最后进行集成验证
这样做后，「遗漏」现象几乎消失了。每次只处理 1,000 行时，Claude Code 的准确度提升到 95% 以上。
学到的经验
非开发者角度上的两个重要领悟：
1. **Claude Code 不是「完美自动化」而是「快速助手」。** 特别是在处理数万行数据时，比起期待「一次就对」，抱着「需要分割处理吗？」的怀疑态度反而更正确。
2. **提示词的明确度同样重要的是「调整工作单位的大小」。** 仅通过缩小数据规模就能大幅提高准确度。
这次经验再次确认了「自动化工具」并非完全取代非开发者的工作，而是在「人的判断力」和「工具性能」之间寻求平衡的过程。