“让 AI 分析数据”很容易变成一个危险的模糊目标。更可靠的设计是先把取数、清洗和计算固定下来，再让模型解释已经确认的指标。这样生成的周报既保留自然语言的可读性，也不会把关键数字交给概率模型心算。

拆成三层

第一层是数据：通过 HTTP 请求节点调用只读接口，或由用户上传经过脱敏的文件。第二层是计算：使用代码节点统一字段、过滤异常值并计算环比、同比和排名。第三层才是叙述：LLM 根据结构化指标总结变化、提出需要进一步调查的问题。

定时或手动输入
  → HTTP 请求 / 文件读取
  → 代码节点清洗与计算
  → 条件分支检查数据质量
  → LLM 生成解读
  → 模板输出周报

例如，代码节点先得到以下事实：本周新增用户、上周新增用户、转化率、退款率和变化最大的渠道。LLM 只能引用这些字段，并被要求把“事实”“可能原因”“建议动作”分开书写。可能原因必须使用假设语气，不能伪装成已经验证的结论。

让失败显式发生

接口超时、返回空数组、字段改名或某一天缺数时，工作流不应继续生成一份看似正常的报告。先在条件分支中检查状态码、记录数量、必填字段和时间范围；不满足条件时输出错误摘要，并通知维护者检查数据源。

外部接口的令牌应放在凭据配置中，调用账号尽量只有读取权限。不要把完整客户明细交给模型；能在代码节点聚合的数据，就只传递汇总结果。对于财务、医疗等高敏感数据，还要遵循组织的数据分级和审计要求。

报告模板要固定

周报可以稳定为四段：关键指标、显著变化、待核实异常、下周动作。模板节点负责标题和字段顺序，模型只填写解释性内容。这样读者每周都能在相同位置找到相同信息，也方便后续把结果写入邮件、文档或消息系统。

验收重点

用一份固定数据集保存期望结果，核对所有计算字段；再分别模拟空数据、接口错误和极端值。最后检查模型是否改写数字、混淆时间范围或把相关性写成因果关系。

一个可信的自动周报，应该允许读者追溯到原始指标，并清楚区分机器算出的事实与模型给出的解释。