假设我们收集的关键数据包括以下部分：

① 核心业绩的指标达成情况；

② 重点项目的阶段性成果；

③ 挑战与风险分析；

④ 下一阶段的目标与资源需求。

要实现自动填充数据，首先要让AI理解数据。我们先将数据表上传到AI，只需要做如下输入：

请告诉我文件中有哪些工作表，并提供每个工作表中的数据字典。

数据字典就是工作表中的每一列的字段的意义总结，包括数据类型，有何特点。

当AI输出数据字典，我们检查确定没有问题之后，说明AI已经完全理解了数据。如果AI理解跑偏，需要让它重新修正。

接下来，我们开启一个新对话，进行进一步的任务描述：

请使用excel文件中所有工作表中的所有数据，参照以下工作汇报撰写一份工作汇报文稿，需要补充信息的地方，请向我询问。（复制上面得到的文档模板）

AI在经过思考之后，把每一个需要对应的数据放到了模板相应合适的位置。

这时候，文稿还没最终成型，我们需要AI把没有收集到的内容抽取出来。

我们可以这样问：

请问完成这份报告还需要补充哪些信息？并以信息表格的方式提供给我。

接下来，AI会把信息缺失的部分整理成一个详细的表格输出给我们。我们补充完信息之后，再次将缺失信息表格上传，然后向它提问：

请使用excel文件中补充信息，完善以下工作汇报文稿。

于是，我们就得到一个完整的工作汇报了。

当然，很多公司的数据很敏感，我们可以提供AI数据样本，AI输出python代码，执行代码也可以完成数据的填充，但这个过程稍微复杂。为了保证信息安全，公司可以通过模型本地化部署来解决。

通过上面的操作，让我们看到R1模型和以前的大模型对话是完全不一样的。

以前的对话需要我们把需求、背景、任务及所需的所有信息都填充完整才能得到我们想要的结果。

但R1模型只需要我们简单的提示，而且越开放越能让它自由发挥，才能更灵活获得完成任务的思维链。

因此，与R1对话是目的导向的，我们只需要把任务和目的表达清楚就行了。需要注意的是，上面每一个步骤都暗合我们人类的思考逻辑：

首先输出的是要素，然后基于要素生成模板。

那么，直接让它输出模板会产生什么效果呢？因为R1的思考范围太大了，我们每一个阶段的产出结果都是为了下一个内容限定范围用的条件。

否则，它就会在所有知识范围内找相关要素去生成模板，最后失去焦点了。只有聚焦的文稿模板才更加精准和可用。

***进行到这里，我们小结一下使用R1的注意事项：

第一，以目的为导向，不要用过多的提示词限制AI的思考；

第二，AI缺什么就补什么；

第三，每一个阶段产生的结果是下一个任务的限定，使其更为聚焦；

第四，每一个对话只解决一个问题，千万不要把多个问题放一个对话里解决。