从预测到决策，
从未如此简单。

告诉它你想预测什么。它会从你已标注的行中学习，为其余每一行评分，并标出置信度。可以在对话中使用，也可以作为工具供你的智能体调用。

~50: 行标注即可起步
0: 次训练运行
100%: 在你的硬件上运行

pipeline_q3.csv — 4,182 行 local · CPU

你 › 预测本季度哪些进行中的交易会成交

layer › 找到 52 行已标注样本（成交/未成交）。正在为剩余 4,130 行评分…

客户	席位	用量	最近触达	预测	置信度
Northwind Freight	120	high	3d	标注样本 · 成交
Cobalt Health	18	—	41d	标注样本 · 未成交
Harbor Analytics	84	high	2d	0.91	94%
Meridian Labs	31	medium	9d	0.68	72%
Arcline Retail	—	low	27d	0.34	55%
Verity Logistics	210	high	1d	0.88	90%
Pinegrove Bank	12	low	63d	0.11	87%

缺失值原样保留 · 无需训练 · 结果以 CSV 或工具 API 返回

预测项目通常需要的一切——都去掉了。

没有数据科学团队，没有流水线，没有再训练日程。只要问题和你已有的行。

大约 50 个样本就够

按你期望的方式标注少量行即可。这就是全部设置——无需特征工程，也无需漫长的标注过程。

无需训练。无需调参。

没有拟合步骤，没有超参数，没有模型注册表。提出问题，剩余行在数秒内返回评分。

每一行都有置信度

每个预测都带有自己的置信度，因此你可以自动处理确定的行，并将其余行交给人工。

普通 CSV，含脏数据

指向你已有的导出文件即可。空白单元格、自由文本列和不一致类型会被处理，而不是被拒绝。

在笔记本 CPU 上运行

足够小、可本地运行的表格基础模型。无需 GPU 集群、无需排队、无需按次计费的延迟税。

数据留在你的网络内

你的行不必离开本机或 VPC。合规审查变成一次对话，而不是一个项目。

看看它怎么工作

三个真实提问。同一个模型，不同问题 — 用箭头切换浏览。

tracked_companies.csv — 4,012 行 local · CPU

● tracked_companies.csv 4,012 行

我会把这 84 位业主当作“已出售”的示例，并据此为其余所有公司评分。开始之前有两个问题：卖给战略买家和卖给基金算不算同一回事？另外，规模小到什么程度你就不再关心了？

✓读取你的名单 4,012 家公司，其中 84 家已标记为已出售

✓保留符合范围的公司员工数 20 人及以上，共 3,180 家

✓找出这 84 家的共同点业主年龄、持有年限、员工数量稳定

✓为其余公司评分 3,096 家公司，用时 7.4 秒

tracked_companies_scored.csv按出售意向排序

公司	业主年龄	持有年限	员工数	州	出售意向	置信度
Northwind Mechanical	63	27	41	OH	高	0.92
Kestrel Heating	67	31	24	PA	高	0.81
Orchard Climate	59	22	63	NC	高	0.64
Vantage Air	45	12	130	FL	低	0.90
Aster Plumbing Co	38	6	88	TX	低	0.87

下载 CSV你的原始行保持不变，新增两列。

214 家公司的评分超过 0.80。 这就是你这个季度的联系名单。你可以问我任意一家为什么得到这个分数，如果我判断错了，告诉我，我会把它纳入考量。

names_only.csv — 1,120 行 · 2 列 local · CPU

● names_only.csv 1,120 行 · 2 列

可以，但我得先去找到这些数据。针对每个公司名称，我会抓取公开信息：员工数、经营年限、招聘活跃度、评价、执照记录。然后我会自己标注一批样本，写明理由，你再帮我纠正标错的部分。这些数据是抓取来的，大多数时候是准的，但不是每次都准。你最终想打电话联系多少家公司？

✓为你的公司名称匹配公开记录 1,120 家中的 1,043 家

✓为每一家补全信息每家 14 个字段，来自备案文件、招聘信息和评价

✓自行标注了一批样本 60 行，每行都附有理由说明

✓你修改了 7 处，随后为其余公司评分 983 家公司，用时 4.1 秒

enriched_and_scored.csv五列是它找到的，两列是它预测的

公司	城镇	员工数	经营年限	招聘活跃度	值得联系	置信度
Ridgeline Plumbing	Toledo OH	31	24	无	是	0.74
Bellweather Heating	Erie PA	44	19	无	是	0.68
Cedar Point Mechanical	Akron OH	26	31	无	是	0.61
Meridian Air	Columbus OH	118	9	频繁	否	0.83
Talbot Services	Dayton OH	12	5	稳定	否	0.79

下载 CSV你原有的两列，加上它找到的十四列和预测的两列。

你的前 50 名已经准备好。 十个字段里有三个是推测出来的，不是来自备案文件，所以把它当作打电话的优先顺序，而不是关于这家公司的确凿事实。问我任何一个数字的出处，我都会给你看来源。

past_deals.csv — 210 行 · 9 列 local · CPU

● past_deals.csv 210 行 · 9 列 ● current_pipeline.csv 12 行

你的文件里有成交价格，也有盈利数据，但没有倍数这一列——而倍数正是你想让我预测的东西。我可以自己算出来：在价格和盈利都齐全的每一行上，用价格除以盈利。你有两笔交易没有盈利数据，会被排除在外。要我来推算吗？

算好了。现在有 208 笔交易带有倍数，范围在 3.1 倍到 8.4 倍之间。对于这么宽的数值范围来说，样本还是偏薄。我可以先扣下一部分交易，在不看价格的情况下盲测定价，这样你能先看到我的误差有多大，再决定是否信任这 12 个结果。要扣下多少笔？

✓推算出倍数价格 ÷ 盈利，覆盖 210 笔中的 208 笔

✓扣下 40 笔进行盲测定价全程未看过实际成交价

✓与真实价格核对平均误差 0.4 倍

✓为你当前的名单定价 12 家公司，用时 1.2 秒

current_pipeline_priced.csv按倍数排序

公司	营收	息税折旧摊销前利润	员工数	经营年限	倍数	可能区间
Orchard Climate	$14.2m	$2.7m	63	22	6.1	5.2 至 7.3
Vantage Air	$26.8m	$4.1m	130	12	5.9	5.1 至 6.8
Northwind Mechanical	$9.4m	$1.6m	41	27	5.4	4.8 至 6.2
Aster Plumbing Co	$17.3m	$2.2m	88	6	4.9	4.0 至 6.0
Kestrel Heating	$5.1m	$0.8m	24	31	4.6	3.9 至 5.4

下载 CSV为你名单上的每一行都给出倍数和区间。

这 12 家的倍数中位数是 5.1 倍。 其中两家高于你以往支付过的任何价格，这通常说明我缺少接近的可比案例，而不是这家公司真的特殊。在我完全没看过的那 40 笔交易上，我的误差是 0.4 倍。

三步完成，一次坐定。

模型在上下文中读取你的示例。没有需要等待的拟合步骤，数据变化时也无需重新部署——你只需再问一次。

作为工具调用

predict(
  file: "accounts.csv",
  target: "will_churn",
  examples: 52
)
→ 4,130 行已评分
→ 每行置信度

01

说出你想预测什么

用自然语言：“下个季度哪些客户会流失？”无需 schema 映射，也无需目标列仪式。
02

它从你已标注的行中学习

表格基础模型读取你已标注的示例——大约 50 个就够——并在上下文中推断模式。
03

其余每一行都会返回评分

每行一个预测和一个置信度，可在对话中返回，也可直接返回给调用它的智能体。

团队通常先用它来做什么

如果答案在电子表格里，而且人能标注其中 50 行，那就合适。

成交与意向评分

从你已有的 CRM 导出中，按成交可能性对开放商机排序。

线索与客户评分

把 50 个手工挑选的优质客户变成整库的评分名单。

流失与续约风险

标出本周值得跟进的续约，并用置信度决定外呼力度。

数据质量标记

从少量坏记录示例中学习，并自动找出其余类似记录。

类别补全

在数千行中一致地回填缺失的类别、分群与标签。

估计与等级

在规则集难以维护时，预测数值估计或分级档位。

被营收、数据与平台团队投入使用

“我们把流失模型排在两个季度的路线图上。周二标注了 60 个客户，当天下午就拿到了续约评分。”

Dana Whitfield

VP Revenue Operations, Harbor Analytics

“这是第一个我们的智能体可以直接调用的预测工具。带置信度的结构化分数，远胜于让大模型去猜表格。”

Marcus Reyn

Head of Platform, Verity Logistics

“没有任何数据离开我们的网络，所以安全一周就签字了。以前跟 ML 供应商从没发生过。”

Priya Nandan

Director of Data, Cobalt Health

带上 CSV 和 50 行标注。带走预测结果。

在笔记本上运行，数据留在你的网络内，一个下午就能判断这个预测值不值得立项。

无需 GPU · 可离线 · CSV 进，CSV 出

从预测到决策，从未如此简单。