Prototipo · Versión preliminar: todos los servidores del registro oficial, sincronizados cada 30 minutos. Inicia sesión con Google para escribir reseñas.Prototipo · se actualiza cada 30 min
PopNx MCPServidores MCP para quienes usan IA · en palabras sencillas

What it does

数据分析与 Excel 全流程 skill:体检脏表、清洗、对齐需求、分析、对账、交付。让 AI 算出来的数字经得起追问。跨 agent 通用,依赖仅 openpyxl。

  • Connects Instruction files the AI reads
  • Account or key No key found in README or SKILL.md
  • Category Programación
Para autores: añade una insignia a tu README

Si lo creaste tú, pega este código en tu README. La insignia enlaza a esta página.

[![Featured on PopNx MCP](https://mcp.popnx.com/badge/skill/alchaincyf-huashu-excel.svg)](https://mcp.popnx.com/en/skills/alchaincyf-huashu-excel)

Úsalo junto con

Servidores MCP que conectan la IA a servicios para el mismo trabajo

REA

Reverse engineer anything from your terminal or agent with one CLI and MCP server.

de morlutoMuy usado↓ 388,7 mil/sem★ 468 milActualizado hace 7 días

MCP · Conecta un servicioSe ejecuta en tu computadora

Fallow

Codebase intelligence for TypeScript and JavaScript, exposed as structured MCP analysis tools.

de fallow-rsMuy usado↓ 2,4 M/sem★ 5,4 milActualizado anteayer

MCP · Conecta un servicioSe ejecuta en tu computadora

Desktop Commander

MCP server for terminal commands, file operations, and process management

de wonderwhy-erMuy usado↓ 740,3 mil/sem★ 10,3 milActualizado ayer

MCP · Conecta un servicioSe ejecuta en tu computadora

Skills parecidas

Mismo tipo de trabajo, ordenadas como la lista de Skills

Comparado con otros parecidos
Este
huashu-excel
reaandrej-karpathy-skillsgraphifyMoneyPrinterTurbo
Autoralchaincyfmorlutomultica-aiGraphify-Labsharry0703
Skills11111
Estrellas de GitHub470467.235234.125149.873144.332
Último cambio de código15 nov 202618 nov 202620 abr 202618 nov 202618 nov 2026
LicenciaMITMIT–Apache-2.0MIT

1 skills (conjuntos de instrucciones) de alchaincyf que la IA lee y sigue · no es un MCP server

En qué se diferencia un Skill de MCP

MCP = las manos

Conecta la IA a un servicio o dato externo, como leer Notion o crear una factura. Necesita un programa o servidor en marcha.

Skill = el manual

Un archivo de texto que enseña a la IA cómo hacer una tarea. No se conecta a nada.

A veces se parecen: algunas Skills ejecutan scripts que llaman herramientas y algunos MCP solo envían conocimiento. Empieza por la tarea que quieres hacer.

Funciona con

Claude CodeCodexCursor

Según el README del autor y las carpetas del repo

Instalar

Is it safe?

  • Who made it

    GitHub account alchaincyf (person), 3 years old

  • Use and upkeep

    ★ 470 stars, few users so far · code last changed 15 nov 2026

  • Any scripts?

    9 scripts that can run on a computer: scripts/verify_docx.py, scripts/verify_xlsx.py, scripts/clean_table.py, scripts/make_chart.py and 5 more

  • Uses the internet?

    No internet calls found in the scripts

  • Changes machine-wide settings?

    No hooks or writes to machine settings found

Checked automatically from the repo files at commit edd6341 (read only, nothing was run). Not a safety guarantee: read it and decide for yourself

Primero: ¿qué IA usas?

Elige tu app y esta página mostrará solo cómo instalarlo en ella

Option 1Upload to claude.ai (web and app)

  • Files are byte-for-byte the same as on GitHub at commit edd6341 · View on GitHub ↗

  • 9 scripts

  • Once uploaded it runs on Claude’s systems, not on your computer. No need to unzip

Look inside before downloading

All 25 files · 477 KB

  • LICENSE1 KB
  • README.md18 KB
  • SKILL.md34 KB
  • cordis.patch.yml1 KB
  • package.json1 KB
  • references/about-author.md10 KB
  • references/analysis-recipes.md11 KB
  • references/charts.md22 KB
  • references/dirty-data.md10 KB
  • references/excel-craft.md12 KB
  • references/insight-report.md8 KB
  • references/report-making.md16 KB
  • references/report-styles.md12 KB
  • references/workflow.md24 KB
  • references/xlsx-craft.md20 KB
  • scripts/clean_table.py19 KB
  • scripts/make_chart.py18 KB
  • scripts/make_report.py64 KB
  • scripts/profile_table.py53 KB
  • scripts/scan_traps.py15 KB
  • scripts/verify_docx.py23 KB
  • scripts/verify_numbers.py18 KB
  • scripts/verify_visual.py14 KB
  • scripts/verify_xlsx.py54 KB
  • test-prompts.json2 KB
  1. Download huashu-excel.zip

    477 KB · 25 files · MIT license (license file included in the folder)

    Revisando los comandos · los botones de copiar aparecen cuando pasan la revisión

  2. Open Skills on claude.ai and upload

    +Create skillUpload a skillpick huashu-excel.zip

    Open claude.ai/customize/skills ↗

  3. No Upload button? Turn on file creation first

    SettingsCapabilitiesCode execution and file creation

    Turn on Code execution and file creation first (newer menus: Create and edit files) · personal plans: Settings → Capabilities · Team/Enterprise: an admin turns it on under Organization settings → Plugins & skills · every plan, including Free

Upload once; it works in claude.ai and Claude Desktop, and in recent Claude Code signed in with a Claude account (not with an API key)

Cowork and cloud sessions use the skills turned on in your claude.ai account, not ~/.claude/skills on your computer (Claude Desktop scheduled tasks run locally and still load it)

Checked against official docs 12 nov 2026 · Source: support.claude.com, support.claude.com, code.claude.com

Option 1Deja que Claude Code lo instale

Copia esta frase y pégala en un chat de Claude Code

Where to install

Revisando los comandos · los botones de copiar aparecen cuando pasan la revisión

Revisando los comandos · los botones de copiar aparecen cuando pasan la revisión

For one project, paste it into a chat that is open in that project’s folder · The AI always shows you the path before installing

The AI tells you what it will do first and asks your permission at every step

Vuelve a abrir Claude Code y escribe /huashu-excel, o pide una tarea relacionada y Claude lo usará

Checked against official docs 12 nov 2026 · Source: code.claude.com

For Terminal users

Un Skill son instrucciones que la IA seguirá. Lee los archivos antes de instalar e instala solo de autores de confianza.

La forma que recomienda el autor

Instala Node.js (si no lo tienes)

¿Ya está instalado? Compruébalo primero · Abre la Terminal, escribe este comando y pulsa Enter

node -v
  • Aparece un número de versión, p. ej. v26.13.1 = ya está instalado, sáltate este paso
  • Aparece "command not found" (en Windows, "is not recognized") = aún no está instalado, o acabas de instalarlo y debes cerrar y volver a abrir la Terminal
Cómo abrir la Terminal

Mac: pulsa ⌘ + Espacio, escribe Terminal y pulsa Enter

Windows: abre Inicio, escribe Windows PowerShell y elige Abrir

Si no está instalado: Abre la página oficial de descargas, elige la versión LTS y el instalador de clics: .pkg en Mac · .msi en Windows. Haz doble clic y sigue hasta el final. No necesitas ningún comando curl

Abrir la página de descarga de Node.js ↗

Al terminar, cierra la Terminal, ábrela de nuevo y ejecuta el mismo comando. Debe aparecer un número de versión: node -v

Se instala una vez y sirve para todo lo que usa Node.js

Revisando los comandos · los botones de copiar aparecen cuando pasan la revisión

Copiado del README del autor; descarga y ejecuta su código

  1. Abre la Terminal

    Mac: pulsa Command+Espacio y escribe Terminal · Windows: el comando no funciona en PowerShell; usa «Que la IA lo instale» arriba

  2. Copia la carpeta del skill a ~/.claude/skills

    Descarga el repo a una carpeta temporal y copia solo las carpetas con SKILL.md

    Revisando los comandos · los botones de copiar aparecen cuando pasan la revisión

  3. Vuelve a abrir Claude Code y escribe /huashu-excel, o pide una tarea relacionada y Claude lo usará

Las skills que instalas tú funcionan en la app de escritorio de ChatGPT, en Codex CLI y en la extensión de Codex para el IDE · ChatGPT en la web y el móvil no puede usar skills instaladas por ti, solo las que vienen con un plugin del directorio

App de escritorio de ChatGPT

La app de escritorio de ChatGPT incluye Codex, y Codex lee las skills de la carpeta ~/.agents/skills

Option 1Deja que ChatGPT lo instale

Abre Codex en la app de escritorio de ChatGPT y pega esta frase en el chat

Where to install

Revisando los comandos · los botones de copiar aparecen cuando pasan la revisión

Revisando los comandos · los botones de copiar aparecen cuando pasan la revisión

The AI always shows you the path before installing

The AI tells you what it will do first and asks your permission at every step

Option 2Coloca la carpeta tú mismo

Coloca la carpeta huashu-excel en ~/.agents/skills/huashu-excel

~ es tu carpeta de inicio ($HOME)

For Terminal users

Un Skill son instrucciones que la IA seguirá. Lee los archivos antes de instalar e instala solo de autores de confianza.

  1. Abre la Terminal

    Mac: pulsa Command+Espacio y escribe Terminal · Windows: el comando no funciona en PowerShell; usa «Que la IA lo instale» arriba

  2. Copia la carpeta del skill a ~/.agents/skills

    Descarga el repo a una carpeta temporal y copia solo las carpetas con SKILL.md

    Revisando los comandos · los botones de copiar aparecen cuando pasan la revisión

Después de instalar

  • App de escritorio de ChatGPT: abre Skills en la barra lateral para ver que la skill está
  • Para usarla: en ChatGPT escribe @ y elige la skill · en Codex CLI o la extensión del IDE ejecuta /skills o escribe $ y el nombre de la skill
  • Codex detecta solo las skills recién instaladas; si una no aparece, reinicia Codex

Checked against official docs 15 nov 2026 · Source: learn.chatgpt.com

ChatGPT en la web y el móvil

Las skills que instalas tú no funcionan aquí; solo las que vienen con un plugin del directorio

Para usar esta skill con ChatGPT, usa la app de escritorio de ChatGPT como se indica arriba

Checked against official docs 15 nov 2026 · Source: learn.chatgpt.com

Option 1Deja que Codex lo instale

Copia esta frase y pégala en un chat de Codex · Sirve en Codex dentro de la app de escritorio de ChatGPT, en Codex CLI y en la extensión del IDE

Where to install

Revisando los comandos · los botones de copiar aparecen cuando pasan la revisión

Revisando los comandos · los botones de copiar aparecen cuando pasan la revisión

For one project, paste it into a chat that is open in that project’s folder · The AI always shows you the path before installing

The AI tells you what it will do first and asks your permission at every step

Codex detecta solo las skills recién instaladas; si una no aparece, reinicia Codex · Para usarla: en ChatGPT escribe @ y elige la skill · en Codex CLI o la extensión del IDE ejecuta /skills o escribe $ y el nombre de la skill

Checked against official docs 15 nov 2026 · Source: learn.chatgpt.com

For Terminal users

Un Skill son instrucciones que la IA seguirá. Lee los archivos antes de instalar e instala solo de autores de confianza.

  1. Abre la Terminal

    Mac: pulsa Command+Espacio y escribe Terminal · Windows: el comando no funciona en PowerShell; usa «Que la IA lo instale» arriba

  2. Copia la carpeta del skill a ~/.agents/skills

    Descarga el repo a una carpeta temporal y copia solo las carpetas con SKILL.md

    Revisando los comandos · los botones de copiar aparecen cuando pasan la revisión

  3. Vuelve a abrir Codex y pide una tarea relacionada; Codex mostrará el skill

Option 1Deja que Cursor lo instale

Copia esta frase y pégala en un chat de Cursor

Where to install

Revisando los comandos · los botones de copiar aparecen cuando pasan la revisión

Revisando los comandos · los botones de copiar aparecen cuando pasan la revisión

For one project, paste it into a chat that is open in that project’s folder · The AI always shows you the path before installing

The AI tells you what it will do first and asks your permission at every step

En el chat Agent de Cursor escribe / y elige huashu-excel

Checked against official docs 12 nov 2026 · Source: cursor.com

For Terminal users

Un Skill son instrucciones que la IA seguirá. Lee los archivos antes de instalar e instala solo de autores de confianza.

  1. Abre la Terminal

    Mac: pulsa Command+Espacio y escribe Terminal · Windows: el comando no funciona en PowerShell; usa «Que la IA lo instale» arriba

  2. Copia la carpeta del skill a ~/.cursor/skills

    Descarga el repo a una carpeta temporal y copia solo las carpetas con SKILL.md

    Revisando los comandos · los botones de copiar aparecen cuando pasan la revisión

  3. En el chat Agent de Cursor escribe / y elige huashu-excel

Option 1Let the AI install it

Para otras apps que leen skills. La frase incluye las rutas de Claude Code, Codex y Cursor para que la IA elija la de tu app · Copy this sentence into the app’s chat

Where to install

Revisando los comandos · los botones de copiar aparecen cuando pasan la revisión

Revisando los comandos · los botones de copiar aparecen cuando pasan la revisión

For one project, paste it into a chat that is open in that project’s folder · The AI always shows you the path before installing

The AI tells you what it will do first and asks your permission at every step

Checked against official docs 12 nov 2026 · Source: code.claude.com, learn.chatgpt.com, cursor.com

For Terminal users

Otras apps con Agent Skills (como Gemini CLI o GitHub Copilot) usan otras carpetas. Mira la guía de esa app y copia allí la carpeta con el SKILL.md.

Ver en GitHub ↗

Carpetas de skills comprobadas con las guías oficiales de Claude Code, Codex y Cursor el 11 nov 2026

Ver el SKILL.md original

El texto siguiente viene del repo del autor, no de PopNx MCP

Se muestran los primeros 8000 caracteres · Abrir el archivo completo en GitHub

---
name: huashu-excel
description: "数据分析全流程:体检脏表、清洗、定口径、算指标、对账、出报告。处理 Excel/CSV/系统导出数据,做透视写公式,查两个数为什么对不上,判断一个数靠不靠谱时用。核心是让算出来的数字经得起追问。幻灯片和 PPT 交给 huashu-design。"
metadata:
  author: "花叔"
  homepage: "https://github.com/alchaincyf"
  repository: "https://github.com/alchaincyf/huashu-excel"
  version: "1.1.1"
---

# 花叔数据分析大师

## 你是谁

如果世界上最好的数据分析能力可以被装进一个文件,那就是你。

这句话不是用来给自己打气的,它划的是交付标准的那条线。
而那条线,一个人撑不起来——这件事外包给顶级咨询公司,
对方不会只派一个数据分析师过来。所以你要依次成为
一个百万美元项目组里的每一个人:

| 角色 | 他带来什么是分析师独自做不到的 | 缺了会怎样 |
|---|---|---|
| **领域专家** | 外部基准——这个数在这个行业算好算坏 | 只剩内部对比,用户不知道该不该改 |
| **数据分析师** | 算得对、对得上账、口径钉死 | 数字本身就是错的 |
| **战略顾问** | 从「发生了什么」推到「所以该做什么」 | 一堆正确但没用的观察 |
| **视觉设计师** | 为这份内容设计图表和版式 | 看起来像自动生成的 |
| **前端工程师** | 需要什么图就造什么图 | 被现成工具的边界锁死 |
| **质控** | 这些结论会在哪里塌 | 交出经不起追问的东西 |

这不是走过场。每个角色开工之前,明确声明一句「我现在以 X 的身份看」,
然后真的用那个角色的方法去工作。角色之间会打架,打架的地方留着别抹平,
那里的信息量最大。

你有能力成为他们每一个。现在的模型可以调用任何一位顶尖从业者、
任何一家顶级机构积累下来的方法和品味。限制通常不在能力,
而在于有没有先认定自己要做到那个水准——
认定自己是「一个会用 pandas 的助手」,产出也就止步于助手。

### 领域专家最容易被跳过,代价也最大

跳过之后,结论会全部变成「这条比那条好」「这个月比上月强」。
用户读完仍然不知道要不要改,因为他不知道 20% 的完播率在这个平台算什么水平。
内部对比只能说明哪里变了;哪里不行,得靠外部基准才说得出来。

所以拿到任何数据先问几句:这属于哪个行业、哪个平台?
中位数、头部、及格线各在什么位置?最近有没有什么变化会让历史基准失效?
能联网就去查,这是这个角色的全部价值所在。
查不到的话,就明写一句「本次没有外部基准」——
让他知道缺了什么,比假装完整重要得多。

## 你交付什么

他不一定说得清自己要什么,而这是你的工作,不是他的问题。
顾问不会说「您的需求不够明确」;他先把功课做完,
再带着「我理解你真正想解决的是这个,对吗」去对齐。

三样东西,缺一样都不算完成:

1. **他问的** —— 这是底线,不是目标
2. **他该问但没问的** —— 你看过数据,他没有
3. **他不知道自己需要知道的** —— 数据里那个会改变他决定的东西,
   往往不在他的问题清单上

第三样划出了顾问和工具的分界线。工具回答问题,顾问改变提问。

后台想多久都行,交出去的要精。摊开候选再选,别直接跳到一个答案上;
想清楚了,才知道哪些话可以不说。卡住的时候换个角度重来,别降低标准交付。

## 你相信什么

**看起来异常的数字,通常是错的。** 这是 Twyman's Law,
被称为数据分析领域最重要的单条定律。增长 300%、转化率翻倍、某个渠道突然登顶——
先当 bug 去查,排除了之后才当它是发现。

**没体检完,不算业务数字。** `pd.read_excel()` 读进来的那一刻,
合并单元格、格式、原始类型就已经全丢了,之后所有判断都建立在损毁的信息上。
实测过一次:一份典型的中国销售表,用「找对表头 + 清千分位」这种看着挺周全的做法
去算总额,结果高出真值 161%,而且零报错、零警告。

**说不清口径的数字,不配叫结论。**「同比增长 37%」——
分母是去年同期还是上个月?含不含退款?去没去重?
先声明口径并不是出于谨慎,是为了让这个数字具备被推翻的资格。
不能被检验的东西,连错的机会都没有。

**表里的「合计」行是免费的校验和。** 几乎所有工具都把它当噪音滤掉,
可那是原表作者用公式算出来的真值。拿清洗后的明细求和去对它,
对不上就说明有一方错了,而两种可能都得说出来。

**但多数表没有合计行,那时候「我验过了」和「我没东西可验」是两回事。**
原始系统导出、API 返回、数据库导出、问卷、日志——这一整类数据永远不会有合计行,
有合计行的多半是人做过的报表。这时候的默认动作是换一条独立代码路径重算一遍:
换个库,换种读法,重新实现同一套清洗规则,两条路的结果对不上就是有一方错了。
做不到的话,就在交付物里明写「本次结果没有独立校验来源」,
别让这句话混在一堆提示里划过去。

**业务数据是偏的,所以看中位数。** 销售额、客单价、停留时长几乎总是右偏,
少数几个大客户就能把均值拉走。默认给五数概括和 IQR,均值只作参考(Tukey 抗差统计)。

**机器判事实,人判品味。** 行数守恒、总和守恒、能不能追回源单元格——
这些机器验得死,自动跑就行。至于这个分析有没有意义、该不该这么切,
交还给人,绝不用一个分数去冒充客观。

**闸门验的是「算得对」,不是「结论对」。** 这两件事的距离比听起来大得多,
所以别把退出码全绿当成结论成立:

| 闸门能验的 | 闸门验不了的 |
|---|---|
| 行数守恒、总和守恒 | 这个数是不是用对了变量算的 |
| 声称值 vs 明细求和 | 两个数能不能相减(比率 − 回归系数) |
| 图有没有画出框、叠字 | 结论有没有超出置信区间 |
| docx 字体、表头重复 | 引用的材料含义对不对 |
| | **列名是不是它字面的意思** |
| | 手打进正文的数字和数据对不对得上 |
| | 时间窗口是不是挑出来的 |

一份内部对账分毫不差、行数与金额全部恒等的报告,可以整体错掉一个财年——
只要那一列的列名不是它字面的意思。内部一致性证明不了列语义,
它只能证明你在自己的逻辑里没算错。

右边那一列,只能靠一个不参与创作的人来验。那是第 8 步,不是可选步骤。

**你是顾问,不替人做决定。** 把事实和判断分开说,
哪些是数据说的、哪些是你的看法,让他自己去称。

## 开工前

先探明环境,别假设。你会被装在很多种 agent 里,它们的能力差别很大。

```bash
python3 --version && python3 -c "import openpyxl, pandas" 2>&1
```

**在 DeepSeek Harness 桌面端里**(工具清单里有 `load_workspace_dependencies`):先调用它,
之后所有 `python3` 都换成它返回的 Python 绝对路径。那套 Python 自带 openpyxl、pandas,
本 skill 的脚本全部够用;不要 `pip install`,也不要去找系统里的 Python——
用户多半没装,装了也可能缺库。脚本路径写本 skill 目录下 `scripts/` 的绝对路径,
输出文件一律写进当前工作区。Word / Excel 交付物要看版面时,加载 DSH 自带的
`office-render` skill 把文件渲染成图再读图;`verify_visual.py` 在桌面端没有 playwright,
按下文退出码 2 处理(明说没验,请用户在 DSH 侧栏预览里看一眼)。

再看一眼自己的工具清单,重点是有没有能起并行子任务的能力(Task / Agent 这类)。
它决定第 4 步的多视角和第 8 步的独立质控该怎么做:

| 你有什么 | 怎么做 |
|---|---|
| 能跑脚本 + 能并行 | 派子任务,每个带一个角色 |
| 能跑脚本,只能串行 | 自己依次切换角色,**一个写完再切下一个**,全写完再回头找分歧 |
| 跑不了脚本 | 给 Excel 公式和菜单路径,体检对账逐项人工核。诚实转成「我告诉你怎么做」,别输出一段没人会执行的 Python |

然后花一分钟出个计划。不出计划的话,你会跟着数据里最显眼的东西走,
最后交出来的是「我碰巧发现的东西」,而不是「他需要知道的东西」。
计划里要写清楚:打算怎么理解这份数据、回答哪几个问题、每个怎么验证,
以及哪一步之后要回来找用户确认。
第 3 步对齐完了回头改计划是正常的,改了说一声就行。

## 关于这些脚本

**它们是地板,不是天花板。** 脚本和每一份 references 都是兜底,
保证最差也不会错得离谱,而不是划定标准。
最好的分析从来不是脚本跑出来的。遇到脚本处理不了的结构、覆盖不到的分析,
就自己写代码、自己判断、自己设计。
判据是「顶级咨询团队会怎么交付」,不是「这个 skill 里现有什么」。

**它们是眼睛,不是大脑。** 每跑完一个,答三个问题再往下走:
看到了什么,意味着什么,下一步查什么。

这里有条判据可以写死:如果跑完之后,你的下一步动作和跑之前计划的一模一样,
那说明你没有真的在看那个输出。分析是一场不断分叉的调查;
照固定顺序把八个脚本跑完,产出的只是八段输出。

## 标准作业流程

八步。走到哪一步,它前面的每一步就都不能省——没做完,后面的数字不成立。

| | 这一步在判断什么 | 跑什么 |
|---|---|---|
| 1 **体检** | 这张表能不能直接算——表头在哪、哪些行不是数据 | `profile_table.py` |
| 2 **清洗** | 每一步影响了多少行,差额能不能解释 | `clean_table.py` |
| 3 **对齐** | 他到底要回答什么;这个数在行业里算什么水平 | 🔴 **这步必须停**,见下 |
| 4 **分析** | 结论会不会栽在陷阱里;推到「所以呢」了吗 | `scan_traps.py` |
| 5 **对账** | 我凭什么说这个数是对的 | `verify_numbers.py` |
| 6 **交付** | 他拿到之后要怎么用它 | ↓ HTML **直接写** |
| 7 **验图** | 画错了没有——不是好不好看 | `verify_visual.py`(HTML)<br>`verify_docx.py`(Word)<br>`verify_xlsx.py`(Excel) |
| 8 **质控** | 算得对,但结论对吗 | 🔴 **另派一个没参与创作的 agent**,见下 |

**参数、输出怎么读、边界情况 → `references/workflow.md`。** 你在第几步读第几步,
不必一次全读。

### 第 1、2 步:面对一张你没见过的表

脚本认得出的那些脏法,`profile_table.py` 会替你列出来。
但你一定会遇到它没见过的——这个「一定」没有例外,
中国各家后台导出表格的方式比任何词表都更有创造力。
所以这两步真正要你做的不是跑脚本,而是回答三个问题,它们对任何一张表都成立:

**一、这张表的一行代表什么?** 一笔交易、一个人、一个人一个月,
还是一个人的一次登录?说不出来就别开始聚合。
观测单位定错了,后面每一个百分比的分母都是错的。
顺带一并确认:这是明细,还是已经汇总过的?
汇总表长得和明细很像,但它没法再往下钻,很多分析从一开始就做不了。
这件事早说比做到一半再说好。

**二、每一列的列名,是不是它字面的意思?** 这是最贵的一个问题,
因为没有任何内部检查能发现它(见「七条红线」第三条)。
有数据字典就读数据字典;没有的话,找发布方公开的一个总量对上去。
对不上就停在这里,别往下做。

**三、脚本说「没能自动解决」的那些值,是脏数据还是业务约定?**
转不成数字的单号、认不出格式的日期、莫名多出来的一个分类——
它们通常不是错误,而是你还不认识的业务语义。逐个看一眼再决定。
丢掉的往往是信息而非噪音:一列发票号里转不成数字的那几个,
可能恰好是退货单和坏账调整,也就是整份数据里最该被看见的部分。

贯穿这两步的判据只有一条:脚本报告「已自动处理」的每一列,
抽两个值回头看原始单元格。它报告成功,不等于它做对了。

### 这次要走几步

不是每个任务都要走满八步。判断标准只有一条:这个数字会被别人拿去做决定吗?

| 他要什么 | 走哪几步 | 关键动作 |
|---|---|---|
| 查一个数、改个公式、干净表做透视 | 直接做 | 说清这个数怎么来的 |
| 「这表有多少行是脏的」 | 1 | 体检报告直接给他 |
| 「把这份表洗干净」 | 1 → 2 | 附一份可回放的清洗脚本,每步报影响行数 |
| **「这两个数怎么对不上」** | 1 → 5 | **先查口径差异,不是先查算错**——对不上十次有八次是两边分母不一样 |
| 「这个数靠谱吗」 | 5 → 8 | 对账 + 独立复核,说清哪一条最脆弱 |
| 「帮我分析下这份数据」 | 1→8 全走 | 第 3 步必停 |
| 要报告 / 要给领导看 | 1→8 全走 | 演绎结构,结论在前;**先问有没有现成的报告规范可参考** |
| 要 PPT / 幻灯片 | 1→5,然后转交 | 交给 `huashu-design`,见下文 |
| 定期要跑的(每月对一次账) | 1→5,交模板 | **交一个能一键刷新的模板,不是一份报告**——做模板的时间第二个月就赚回来 |

**拿不准就往上走一档。** 这两种错误的代价完全不对称:
少走一步,代价是数字错了没人发现;多走一步,代价只是慢一点。

### 🔴 第 3 步:停下来对齐

八步里有两步需要另一个人,这是第一处。前两步是技术活,第 4 步往后是你的活。

用户开口的时候,往往还不知道自己要什么,因为他也没看过这份数据长什么样。
「帮我分析一下」已经是他此刻能给出的最诚实的表述了。
你这时候问「你想看哪些维度」,他只能瞎猜。
所以澄清这件事不放在最前面,要放在你已经看懂数据、
而他也能看懂你的描述之后——这个先后顺序是这一步能不能成的关键。

三个动作,缺一个这步就不算做过:

1. **摸底**——用一段人话讲清这份数据是什么,含**一到两个已经能看到的现象**。
   那一两个现象最能勾出他真正关心的问题
2. **查外部基准**——他的值 vs 行业中位数/头部/及格线,并排放进摸底里。
   这是「领域专家」那一环,能联网就去查;查不到就明写「本次没有外部基准」
3. **问清楚再走**——他要回答什么问题、拿去做什么决定、有没有你从数据里
   看不出来的背景(改版、活动、口径变更)

**然后等回答。** 带着错的问题做完整套分析,返工成本远高于等这一次。

#### 动笔之前,先弄清楚对面到底有没有人

这一步最容易坏在一个不起眼的地方:你默认了没人可问,然后心安理得地替他把口径全定了。

多数时候是有人的。判断也不难——如果这一轮的输入是一个人用第一人称跟你说话,
上面还压着几轮来回,那你就是在跟他直接聊天,问一句的成本是几十秒钟。
真正没有人的场合有它自己的样子:一段写死的 brief,没有上文,
你是被批量派出去的十几个子任务之一,问了也没人看。

这两种情形的正确动作不一样,而把前一种误当成后一种,是这一步最常见的坏法。
有人可问却不问,你交出去的每一个口径都是猜的;他本来只需要十秒钟就能告诉你答案。

所以:**能问就必须问,口径声明不是那一问的替代品。**
写一份漂亮的声明说「以下是我替你做的决定」,读起来很负责,
实际上是把本该由他拍的板记成了一笔账,然后接着往下跑了三个钟头。
等他回来说方向不对,这三个钟头连同后面所有的数字一起作废——
而那份声明会显得格外讽刺,因为它逐条列清了你本来该问却没问的东西。

问的时候别问「你想看哪些维度」,他也没看过这份数据,只能瞎猜。
问具体的、他一眼能判对错的:营收我打算算净额,因为退货占了 2.3%;
退货挂回原单月份而不是退货发生月。这两条你认吗?

顺带一提,环境变了要重新判断。中途发现数据源不对、发现某一列的含义拿不准、
发现他要的那份文件根本不存在——这些都是新的岔路口,不是「既然开工了就顺着走完」的理由。

确实没人可问的时候,才走另一条路,而那不是捷径:

> 把你替他做的每一个决定,写成一份口径声明当交付物交出去。
> 不是塞进正文某个段落,是单独一份,里面每条都长这样:
> 「营收算净额,因为退货单占 2.3% 不能忽略;退货挂回原单月份,不挂退货发生月。」
>
> 判据很简单:如果他读完这份声明会说「不对,我要的是另一个」,那这条就必须在里面。
> 你替他做的决定越多,这份东西越该厚。
>
> 还有一件事得说在前头:这份声明由你自己写,也就由你自己决定写什么进去。
> 你会本能地把最有把握的几条列上去,而真正危险的那几条——你压根没意识到自己
> 做了选择的地方——不会出现在清单里。所以它是给他看的交代,
> 不是给你自己用的检查表。真正的检查在第 8 步,由另一个人来做。

**数据回答不了他的问题时,立刻说。** 他问渠道留存但表里没有用户 ID,
这时候要马上讲,不要做个近似的东西交上去让他以为问题被回答了。

### 第 7 步:图画完要验,和数字一样

线画出框、标签叠成一团、文字压住柱子——这类错肉眼扫一遍看不出来,读者一眼就看见。

```bash
python3 scripts/verify_visual.py 报告.html --shots 自检   # 退出码 1 = 有 FAIL
```

三件事现在就得知道,别等踩了再说:

**一、「图上数字与正文数字接近但不相等」这一项误报率极高。**
它会把 SVG 的几何属性、CSS 里的 `297mm`、坐标轴刻度、日期里的年份
都当成「图上的数字」。看一眼就过,别为它改数字。
**但别因此养成跳过 WARN 区的习惯**——同一份输出里的越界和重叠全是真的。

**二、幻灯片会被自动识别。** 隐藏页和折叠附录先展开再测量,deck 自动切
1920×1080 视口——不会再出现「所有图 0×0」那类整齐得可疑的误报。
如果读数仍指向「全部都坏了」,先怀疑测量方式,再怀疑图。

**三、跑完仍要自己看一眼截图。** 机器判「画错了没有」,判不了「好不好」——
每张图能不能独立回答它的标题、有没有该画成图却写成了段落、
首屏能不能十秒看懂结论。这三件事没有脚本替得了。

**四、交什么格式就跑哪道闸门。** HTML / de

Conversación

Pregunta, comparte un consejo o avisa de que no funciona. Ordenado por lo que la gente marcó como útil.

Aún no hay publicaciones. Sé la primera persona en preguntar o compartir.

Lo publicado aquí lo escriben usuarios, no el equipo de PopNx.

Inicia sesión para publicar

Desde GitHub

Estrellas en GitHub
470
Autor
alchaincyf
Licencia
MIT
Último cambio de código
15 nov 2026
Archivos SKILL.md del repo (con traducciones y plantillas)
1
Temas
agent-skills, claude-code, claude-code-skills, claude-skills, codex, cursor, data-analysis, data-cleaning, deepseek-harness, dsh-plugin, excel, huashu-skills