实验数据不要先丢给 AI，先把文件夹整理好

很多人把实验数据交给 AI 前，会直接上传一个混乱的文件夹：新建文件夹(3)、最终版.xlsx、最终版2.xlsx、这个才是真的.xlsx。

AI 再强，也救不了没有边界的数据现场。

在让 AI 帮你分析之前，先把文件夹整理好。这一步看起来不酷，但最值钱。

数据工作流的四层

我更推荐把实验数据分成四层：

raw/：原始仪器导出的文件，不改名、不覆盖。
clean/：清洗后的表格，字段统一、单位明确。
analysis/：拟合、统计、作图脚本和结果。
notes/：每次处理的说明、异常点、判断依据。

这四层的意义是：出了问题能往回追。

如果只有一个 Excel 文件，里面既有原始数据、又有筛选结果、还有手工改过的图，后面谁都说不清哪个步骤出了错。

AI 适合参与哪几步

AI 不应该直接决定你的实验结论，但它很适合做这些事：

帮你检查列名是否一致。
把多个 CSV 合并成一个清洗表。
生成基础统计和可视化脚本。
标出异常值，但不替你删除。
根据你的说明写一份处理记录。

关键是：AI 可以提出候选动作，不能偷偷替你改原始数据。

一个最小命名规范

不需要复杂系统。先从文件名开始：

2026-07-06_catalyst-A_TGA_raw.csv
2026-07-06_catalyst-A_TGA_clean.csv
2026-07-06_catalyst-A_TGA_plot.png
2026-07-06_catalyst-A_TGA_notes.md

文件名里至少放四个信息：日期、样品、测试方法、状态。

这会让 AI 更容易理解上下文，也会让半年后的你少骂半小时。

给 AI 的任务说明

整理好文件后，再这样交给 AI：

你是我的数据整理助手。
请只读取 clean 文件夹中的 CSV。
任务：
1. 检查所有文件是否包含 temperature、mass_loss、sample_id 三列。
2. 合并同一批次样品的数据。
3. 生成一张质量损失随温度变化的图。
4. 不要删除异常点，只把可能异常的行单独列出来。
输出：
- analysis/summary.md
- analysis/tga_plot.png
- analysis/outliers.csv

这个 prompt 的重点是“不读 raw”“不删异常点”“输出到 analysis”。它把 AI 的活动范围圈住了。

好工作流比好工具更重要

工具会变。今天是 Claude Code，明天可能是另一个 agent。

但文件夹结构、命名规范、原始数据不可覆盖、处理步骤可追踪，这些规则不会过时。

先把数据现场整理干净，再谈 AI 加速。否则加速的只是混乱。

本文是“化工人的 AI 工具箱”系列的第 2 篇。