ต้นแบบ · รุ่นทดลอง: มีทุก server ในทะเบียนทางการ อัปเดตทุก 30 นาที เข้าสู่ระบบด้วย Google เพื่อเขียนรีวิวได้แล้วต้นแบบ · อัปเดตทุก 30 นาที
PopNx MCPที่รวม MCP สำหรับคนใช้ AI · วิธีติดตั้งภาษาไทยทุกตัว

ใช้ทำอะไรได้

ยังไม่มีคำอธิบายภาษาไทย ดูข้อเท็จจริงด้านล่าง หรือเปิดคำอธิบายต้นฉบับจากผู้ทำ

  • ต่อแบบ ไฟล์คำสั่งให้ AI อ่าน
  • บัญชีหรือคีย์ ยังยืนยันไม่ได้ (ยังไม่ได้อ่าน README)
  • หมวด เขียนโค้ด
คำอธิบายต้นฉบับจากผู้ทำ (อังกฤษ)
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。
สำหรับผู้ทำ: ติดป้ายใน README

ถ้าคุณเป็นผู้ทำตัวนี้ คัดลอกโค้ดนี้ไปวางใน README ได้เลย ป้ายลิงก์กลับมาที่หน้านี้

[![แนะนำบน PopNx MCP](https://mcp.popnx.com/badge/skill/alchaincyf-huashu-excel.svg?lang=th)](https://mcp.popnx.com/th/skills/alchaincyf-huashu-excel)

ใช้คู่กับ

MCP ที่ต่อ AI เข้ากับบริการในงานเดียวกัน

REA

แกะการทำงานของโปรแกรมและแอปจากเทอร์มินัลหรือจาก AI

โดย morlutoใช้กันมาก↓ 388.7K/สัปดาห์★ 466.2Kอัปเดต 6 วันที่ผ่านมา

MCP · ต่อบริการรันบนเครื่อง

Fallow

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

โดย fallow-rsใช้กันมาก↓ 2.4M/สัปดาห์★ 5.4Kอัปเดต เมื่อวาน

MCP · ต่อบริการรันบนเครื่อง

Desktop Commander

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

โดย wonderwhy-erใช้กันมาก↓ 740.3K/สัปดาห์★ 10.3Kอัปเดต 6 วันที่ผ่านมา

MCP · ต่อบริการรันบนเครื่อง

Skill ที่ทำงานคล้ายกัน

หมวดงานเดียวกัน เรียงแบบเดียวกับหน้ารายการ Skill

เทียบกับตัวที่คล้ายกัน
ตัวนี้
huashu-excel
reaandrej-karpathy-skillsgraphifyMoneyPrinterTurbo
ผู้ทำalchaincyfmorlutomultica-aiGraphify-Labsharry0703
จำนวน Skill11111
ดาว GitHub470467,235234,125149,873144,332
แก้โค้ดล่าสุด15 พ.ย. 256918 พ.ย. 256920 เม.ย. 256918 พ.ย. 256918 พ.ย. 2569
สัญญาอนุญาตMITMIT–Apache-2.0MIT

ชุดคำสั่ง (Skill) 1 ชุดจาก alchaincyf ให้ AI อ่านแล้วทำงานตามวิธีนี้ · ไม่ใช่ MCP server

Skill ต่างจาก MCP ยังไง

MCP = มือ

ต่อ AI เข้ากับบริการหรือข้อมูลข้างนอก เช่น อ่าน Notion หรือสร้างใบแจ้งหนี้ ต้องมีโปรแกรมหรือ server ทำงานอยู่

Skill = คู่มือ

ไฟล์ข้อความที่สอน AI ว่างานนี้ทำยังไง ไม่ต่อบริการใด

บางตัวคล้ายกัน: Skill บางตัวมีสคริปต์เรียกเครื่องมือ และ MCP บางตัวส่งแค่ความรู้ ให้ดูที่งานที่อยากทำเป็นหลัก

ใช้กับแอปไหน

Claude CodeCodexCursor

ตามที่ README ของผู้ทำเขียนไว้ และโฟลเดอร์ที่มีใน repo

ติดตั้ง

ปลอดภัยไหม

  • ใครทำ

    บัญชี GitHub alchaincyf (บุคคล) เปิดมา 3 ปี

  • คนใช้และการดูแล

    ★ 470 ดาว ยังมีคนใช้น้อย · แก้โค้ดล่าสุด 15 พ.ย. 2569

  • มีสคริปต์ไหม

    มีสคริปต์ 9 ไฟล์ที่รันบนเครื่องได้: scripts/verify_docx.py, scripts/verify_xlsx.py, scripts/clean_table.py, scripts/make_chart.py และอีก 5 ไฟล์

  • ใช้อินเทอร์เน็ตไหม

    ไม่พบคำสั่งเรียกอินเทอร์เน็ตในสคริปต์

  • แก้ค่าตั้งทั้งเครื่องไหม

    ไม่พบ hook หรือการเขียนค่าตั้งของเครื่อง

ตรวจอัตโนมัติจากไฟล์ใน repo ที่ commit edd6341 (อ่านไฟล์อย่างเดียว ไม่ได้รัน) ไม่ใช่การรับรองความปลอดภัย อ่านแล้วตัดสินใจเอง

ขั้นแรก: คุณใช้ AI ตัวไหน

เลือกแอปที่ใช้ แล้วหน้านี้จะแสดงเฉพาะวิธีติดตั้งของแอปนั้น

ทางที่ 1อัปโหลดเข้า claude.ai (เว็บและแอป)

  • ไฟล์ตรงกับบน GitHub ทุกไบต์ ที่ commit edd6341 · ดูบน GitHub ↗

  • มีสคริปต์ 9 ไฟล์

  • อัปโหลดแล้วทำงานในระบบของ Claude ไม่ได้รันบนคอมของคุณ ไม่ต้องแตกไฟล์

ดูข้างในก่อนดาวน์โหลด

ไฟล์ทั้งหมด 25 ไฟล์ · 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. ดาวน์โหลด huashu-excel.zip

    477 KB · 25 ไฟล์ · ใบอนุญาต MIT (ใส่ไฟล์ใบอนุญาตไว้ในโฟลเดอร์แล้ว)

    กำลังตรวจคำสั่ง · ปุ่มคัดลอกจะขึ้นเมื่อตรวจผ่าน

  2. เปิดหน้า Skills ใน claude.ai แล้วอัปโหลด

    +Create skillUpload a skillเลือกไฟล์ huashu-excel.zip

    เปิด claude.ai/customize/skills ↗

  3. ไม่เห็นปุ่ม Upload: เปิดสิทธิ์สร้างไฟล์ก่อน

    SettingsCapabilitiesCode execution and file creation

    ต้องเปิด Code execution and file creation ก่อน (เมนูรุ่นใหม่เรียก Create and edit files) · แผนส่วนตัวที่ Settings → Capabilities · Team/Enterprise ผู้ดูแลเปิดที่ Organization settings → Plugins & skills · ใช้ได้ทุกแผนรวมแผนฟรี

อัปโหลดครั้งเดียว ใช้ได้ทั้ง claude.ai และ Claude Desktop รวมถึง Claude Code รุ่นใหม่ที่ล็อกอินด้วยบัญชี Claude (ล็อกอินด้วยคีย์ API ไม่ซิงก์)

Cowork และ session บนคลาวด์ใช้ Skill ที่เปิดในบัญชี claude.ai ไม่อ่าน ~/.claude/skills ในเครื่อง (งานตั้งเวลาของ Claude Desktop ที่รันในเครื่องยังอ่านได้)

ตรวจกับเอกสารทางการล่าสุด 12 พ.ย. 2569 · แหล่ง: support.claude.com, support.claude.com, code.claude.com

ทางที่ 1ให้ Claude Code ติดตั้งให้

คัดลอกประโยคนี้ไปวางในแชตของ Claude Code

ติดตั้งไว้ที่ไหน

กำลังตรวจคำสั่ง · ปุ่มคัดลอกจะขึ้นเมื่อตรวจผ่าน

กำลังตรวจคำสั่ง · ปุ่มคัดลอกจะขึ้นเมื่อตรวจผ่าน

เลือกเฉพาะโปรเจกต์ ให้วางในแชตที่เปิดอยู่ในโฟลเดอร์ของโปรเจกต์นั้น · AI จะบอก path ให้ดูก่อนติดตั้งเสมอ

AI จะบอกก่อนว่าจะทำอะไร และขออนุญาตคุณทุกขั้น

เปิด Claude Code ใหม่ แล้วพิมพ์ /huashu-excel หรือสั่งงานที่ตรงเรื่อง Claude จะเลือกใช้เอง

ตรวจกับเอกสารทางการล่าสุด 12 พ.ย. 2569 · แหล่ง: code.claude.com

สำหรับคนที่ใช้ Terminal

Skill คือคำสั่งที่ AI จะทำตาม อ่านไฟล์ก่อนติดตั้ง และติดตั้งเฉพาะจากผู้ทำที่เชื่อถือได้

วิธีที่ผู้ทำแนะนำ

ลง Node.js ในเครื่อง (ถ้ายังไม่มี)

ลงไว้แล้วหรือยัง? เช็กก่อน · เปิด Terminal แล้วพิมพ์คำสั่งนี้ กด Enter

node -v
  • ขึ้นเลขรุ่น เช่น v26.13.1 = ลงแล้ว ข้ามขั้นนี้ได้
  • ขึ้นว่า "command not found" (Windows ขึ้นว่า "is not recognized") = ยังไม่ได้ลง หรือเพิ่งลงแต่ยังไม่ได้ปิดแล้วเปิด Terminal ใหม่
เปิด Terminal ยังไง

Mac: กด ⌘ + Space พิมพ์ Terminal แล้วกด Enter

Windows: เปิดเมนู Start พิมพ์ Windows PowerShell แล้วกด Open

ยังไม่ได้ลง: เปิดหน้าดาวน์โหลดทางการ เลือกรุ่น LTS แล้วเลือกตัวติดตั้งแบบกดเอง: Mac ไฟล์ .pkg · Windows ไฟล์ .msi ดับเบิลคลิกแล้วกดถัดไปจนจบ ไม่ต้องใช้คำสั่ง curl

เปิดหน้าดาวน์โหลด Node.js ↗

ลงเสร็จแล้ว ปิด Terminal เปิดใหม่ แล้วพิมพ์คำสั่งเดิมอีกครั้ง ต้องขึ้นเลขรุ่น: node -v

ลงครั้งเดียว ใช้ได้กับทุกตัวที่ต้องใช้ Node.js

กำลังตรวจคำสั่ง · ปุ่มคัดลอกจะขึ้นเมื่อตรวจผ่าน

คำสั่งนี้คัดมาจาก README ของผู้ทำ จะดาวน์โหลดและรันโค้ดของผู้ทำ

  1. เปิด Terminal

    Mac: กด Command+Space พิมพ์ Terminal · Windows: คำสั่งด้านล่างใช้ใน PowerShell ไม่ได้ ให้ใช้ทาง “ให้ AI ติดตั้งให้” ด้านบนแทน

  2. คัดลอกโฟลเดอร์ skill ไปไว้ที่ ~/.claude/skills

    คำสั่งนี้ดาวน์โหลด repo ไว้ชั่วคราว แล้วคัดลอกเฉพาะโฟลเดอร์ที่มี SKILL.md

    กำลังตรวจคำสั่ง · ปุ่มคัดลอกจะขึ้นเมื่อตรวจผ่าน

  3. เปิด Claude Code ใหม่ แล้วพิมพ์ /huashu-excel หรือสั่งงานที่ตรงเรื่อง Claude จะเลือกใช้เอง

Skill ที่ติดตั้งเองใช้ได้ในแอป ChatGPT บนคอม, Codex CLI และส่วนขยาย Codex ใน IDE · ChatGPT บนเว็บและมือถือใช้ Skill ที่ติดตั้งเองไม่ได้ ใช้ได้เฉพาะ Skill ที่มากับปลั๊กอินในไดเรกทอรี

แอป ChatGPT บนคอม

แอป ChatGPT บนคอมมี Codex อยู่ในตัว Codex อ่าน Skill จากโฟลเดอร์ ~/.agents/skills

ทางที่ 1ให้ ChatGPT ติดตั้งให้

เปิด Codex ในแอป ChatGPT บนคอม แล้ววางประโยคนี้ในแชต

ติดตั้งไว้ที่ไหน

กำลังตรวจคำสั่ง · ปุ่มคัดลอกจะขึ้นเมื่อตรวจผ่าน

กำลังตรวจคำสั่ง · ปุ่มคัดลอกจะขึ้นเมื่อตรวจผ่าน

AI จะบอก path ให้ดูก่อนติดตั้งเสมอ

AI จะบอกก่อนว่าจะทำอะไร และขออนุญาตคุณทุกขั้น

ทางที่ 2วางโฟลเดอร์เอง

วางโฟลเดอร์ huashu-excel ไว้ที่ ~/.agents/skills/huashu-excel

~ คือโฟลเดอร์บ้านของคุณ ($HOME)

สำหรับคนที่ใช้ Terminal

Skill คือคำสั่งที่ AI จะทำตาม อ่านไฟล์ก่อนติดตั้ง และติดตั้งเฉพาะจากผู้ทำที่เชื่อถือได้

  1. เปิด Terminal

    Mac: กด Command+Space พิมพ์ Terminal · Windows: คำสั่งด้านล่างใช้ใน PowerShell ไม่ได้ ให้ใช้ทาง “ให้ AI ติดตั้งให้” ด้านบนแทน

  2. คัดลอกโฟลเดอร์ skill ไปไว้ที่ ~/.agents/skills

    คำสั่งนี้ดาวน์โหลด repo ไว้ชั่วคราว แล้วคัดลอกเฉพาะโฟลเดอร์ที่มี SKILL.md

    กำลังตรวจคำสั่ง · ปุ่มคัดลอกจะขึ้นเมื่อตรวจผ่าน

หลังติดตั้ง

  • แอป ChatGPT บนคอม: เปิด Skills ในแถบข้างเพื่อดูว่า Skill ขึ้นแล้ว
  • เรียกใช้: ใน ChatGPT พิมพ์ @ แล้วเลือก Skill · ใน Codex CLI หรือส่วนขยายใน IDE พิมพ์ /skills หรือพิมพ์ $ แล้วตามด้วยชื่อ Skill
  • Codex เห็น Skill ที่ติดตั้งใหม่เอง ถ้ายังไม่ขึ้นให้ปิดแล้วเปิด Codex ใหม่

ตรวจกับเอกสารทางการล่าสุด 15 พ.ย. 2569 · แหล่ง: learn.chatgpt.com

ChatGPT บนเว็บและมือถือ

ใช้ Skill ที่ติดตั้งเองไม่ได้ ใช้ได้เฉพาะ Skill ที่มากับปลั๊กอินในไดเรกทอรี

อยากใช้ Skill นี้กับ ChatGPT ให้ใช้แอป ChatGPT บนคอมตามวิธีด้านบน

ตรวจกับเอกสารทางการล่าสุด 15 พ.ย. 2569 · แหล่ง: learn.chatgpt.com

ทางที่ 1ให้ Codex ติดตั้งให้

คัดลอกประโยคนี้ไปวางในแชตของ Codex · ใช้ได้ทั้ง Codex ในแอป ChatGPT บนคอม, Codex CLI และส่วนขยายใน IDE

ติดตั้งไว้ที่ไหน

กำลังตรวจคำสั่ง · ปุ่มคัดลอกจะขึ้นเมื่อตรวจผ่าน

กำลังตรวจคำสั่ง · ปุ่มคัดลอกจะขึ้นเมื่อตรวจผ่าน

เลือกเฉพาะโปรเจกต์ ให้วางในแชตที่เปิดอยู่ในโฟลเดอร์ของโปรเจกต์นั้น · AI จะบอก path ให้ดูก่อนติดตั้งเสมอ

AI จะบอกก่อนว่าจะทำอะไร และขออนุญาตคุณทุกขั้น

Codex เห็น Skill ที่ติดตั้งใหม่เอง ถ้ายังไม่ขึ้นให้ปิดแล้วเปิด Codex ใหม่ · เรียกใช้: ใน ChatGPT พิมพ์ @ แล้วเลือก Skill · ใน Codex CLI หรือส่วนขยายใน IDE พิมพ์ /skills หรือพิมพ์ $ แล้วตามด้วยชื่อ Skill

ตรวจกับเอกสารทางการล่าสุด 15 พ.ย. 2569 · แหล่ง: learn.chatgpt.com

สำหรับคนที่ใช้ Terminal

Skill คือคำสั่งที่ AI จะทำตาม อ่านไฟล์ก่อนติดตั้ง และติดตั้งเฉพาะจากผู้ทำที่เชื่อถือได้

  1. เปิด Terminal

    Mac: กด Command+Space พิมพ์ Terminal · Windows: คำสั่งด้านล่างใช้ใน PowerShell ไม่ได้ ให้ใช้ทาง “ให้ AI ติดตั้งให้” ด้านบนแทน

  2. คัดลอกโฟลเดอร์ skill ไปไว้ที่ ~/.agents/skills

    คำสั่งนี้ดาวน์โหลด repo ไว้ชั่วคราว แล้วคัดลอกเฉพาะโฟลเดอร์ที่มี SKILL.md

    กำลังตรวจคำสั่ง · ปุ่มคัดลอกจะขึ้นเมื่อตรวจผ่าน

  3. เปิด Codex ใหม่ แล้วสั่งงานที่ตรงเรื่อง Codex จะเห็น skill นี้ในรายการ

ทางที่ 1ให้ Cursor ติดตั้งให้

คัดลอกประโยคนี้ไปวางในแชตของ Cursor

ติดตั้งไว้ที่ไหน

กำลังตรวจคำสั่ง · ปุ่มคัดลอกจะขึ้นเมื่อตรวจผ่าน

กำลังตรวจคำสั่ง · ปุ่มคัดลอกจะขึ้นเมื่อตรวจผ่าน

เลือกเฉพาะโปรเจกต์ ให้วางในแชตที่เปิดอยู่ในโฟลเดอร์ของโปรเจกต์นั้น · AI จะบอก path ให้ดูก่อนติดตั้งเสมอ

AI จะบอกก่อนว่าจะทำอะไร และขออนุญาตคุณทุกขั้น

ใน Agent chat ของ Cursor พิมพ์ / แล้วเลือก huashu-excel

ตรวจกับเอกสารทางการล่าสุด 12 พ.ย. 2569 · แหล่ง: cursor.com

สำหรับคนที่ใช้ Terminal

Skill คือคำสั่งที่ AI จะทำตาม อ่านไฟล์ก่อนติดตั้ง และติดตั้งเฉพาะจากผู้ทำที่เชื่อถือได้

  1. เปิด Terminal

    Mac: กด Command+Space พิมพ์ Terminal · Windows: คำสั่งด้านล่างใช้ใน PowerShell ไม่ได้ ให้ใช้ทาง “ให้ AI ติดตั้งให้” ด้านบนแทน

  2. คัดลอกโฟลเดอร์ skill ไปไว้ที่ ~/.cursor/skills

    คำสั่งนี้ดาวน์โหลด repo ไว้ชั่วคราว แล้วคัดลอกเฉพาะโฟลเดอร์ที่มี SKILL.md

    กำลังตรวจคำสั่ง · ปุ่มคัดลอกจะขึ้นเมื่อตรวจผ่าน

  3. ใน Agent chat ของ Cursor พิมพ์ / แล้วเลือก huashu-excel

ทางที่ 1ให้ AI ติดตั้งให้

สำหรับแอปอื่นที่อ่าน Skill ได้ ประโยคนี้มี path ของ Claude Code, Codex และ Cursor ให้ AI เลือกตามแอปที่ใช้ · คัดลอกประโยคนี้ไปวางในแชตของแอป

ติดตั้งไว้ที่ไหน

กำลังตรวจคำสั่ง · ปุ่มคัดลอกจะขึ้นเมื่อตรวจผ่าน

กำลังตรวจคำสั่ง · ปุ่มคัดลอกจะขึ้นเมื่อตรวจผ่าน

เลือกเฉพาะโปรเจกต์ ให้วางในแชตที่เปิดอยู่ในโฟลเดอร์ของโปรเจกต์นั้น · AI จะบอก path ให้ดูก่อนติดตั้งเสมอ

AI จะบอกก่อนว่าจะทำอะไร และขออนุญาตคุณทุกขั้น

ตรวจกับเอกสารทางการล่าสุด 12 พ.ย. 2569 · แหล่ง: code.claude.com, learn.chatgpt.com, cursor.com

สำหรับคนที่ใช้ Terminal

แอปอื่นที่รองรับ Agent Skills (เช่น Gemini CLI, GitHub Copilot) เก็บ skill ในโฟลเดอร์ต่างกัน ดูคู่มือของแอปนั้น แล้วคัดลอกโฟลเดอร์ที่มี SKILL.md ไปวาง

ดูบน GitHub ↗

ตรวจโฟลเดอร์ skill กับคู่มือทางการของ Claude Code, Codex และ Cursor เมื่อ 11 พ.ย. 2569

ดูไฟล์ต้นฉบับ SKILL.md

ข้อความต่อไปนี้มาจาก repo ของผู้ทำ ไม่ใช่คำสั่งของ PopNx MCP

แสดง 8,000 ตัวอักษรแรก · เปิดไฟล์เต็มบน 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

พูดคุย

ถาม แชร์เคล็ดลับ หรือแจ้งว่าใช้ไม่ได้ เรียงตามที่คนกดว่ามีประโยชน์

ยังไม่มีใครโพสต์ ถามหรือแชร์เป็นคนแรกได้เลย

ข้อความในส่วนนี้เขียนโดยผู้ใช้ ไม่ใช่ทีม PopNx

เข้าสู่ระบบเพื่อโพสต์

ข้อมูลจาก GitHub

ดาว GitHub
470
ผู้ทำ
alchaincyf
license
MIT
แก้โค้ดล่าสุด
15 พ.ย. 2569
ไฟล์ SKILL.md ใน repo (นับรวมสำเนาภาษาอื่นและแม่แบบ)
1
topic
agent-skills, claude-code, claude-code-skills, claude-skills, codex, cursor, data-analysis, data-cleaning, deepseek-harness, dsh-plugin, excel, huashu-skills