原型 · 预览版:收录官方注册中心里的全部服务器,每 30 分钟同步一次。使用 Google 登录即可撰写评价。原型 · 每 30 分钟更新
PopNx MCP为使用 AI 的人准备的 MCP 服务器 · 用大白话讲清楚

huashu-excel Skill

代码仓库 ↗

作者:alchaincyf★ 4701 个 skill

安装

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 写代码
给作者:在 README 中加徽章

如果你是作者,可把这段代码贴到 README。徽章会链接回本页。

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

可搭配使用

在同一工作中把 AI 连到服务的 MCP

REA

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

作者:morluto广泛使用↓ 38.9万/周★ 46.8万7天前更新

MCP · 连接服务在你的电脑上运行

Fallow

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

作者:fallow-rs广泛使用↓ 244.1万/周★ 5383前天更新

MCP · 连接服务在你的电脑上运行

相似的 Skill

同类工作,排序与 Skill 列表相同

与相似项目对比
本项
huashu-excel
reaandrej-karpathy-skillsgraphifyMoneyPrinterTurbo
作者alchaincyfmorlutomultica-aiGraphify-Labsharry0703
Skill 数11111
GitHub 星标470467,235234,125149,873144,332
最近代码更新2026年11月15日2026年11月18日2026年4月20日2026年11月18日2026年11月18日
许可证MITMIT–Apache-2.0MIT

alchaincyf 提供的 1 个 Skill(指令集),AI 读取后照做 · 不是 MCP server

Skill 和 MCP 有什么不同

MCP = 手

把 AI 连到外部服务或数据,例如读取 Notion 或开发票。需要有程序或服务器在运行。

Skill = 手册

教 AI 怎么做某项工作的文本文件,不连接任何服务。

有些会重叠:少数 Skill 带有调用工具的脚本,少数 MCP 只提供知识。请从你想完成的工作出发。

适用的应用

Claude CodeCodexCursor

依据开发者 README 和 repo 中的文件夹

安装

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 2026年11月15日

  • 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

第一步:你用哪个 AI?

选择你用的应用,本页只显示该应用的安装方法

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)

    正在检查命令 · 通过后才会显示复制按钮

  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 2026年11月12日 · Source: support.claude.com, support.claude.com, code.claude.com

Option 1让 Claude Code 帮你安装

复制这句话,粘贴到 Claude Code 的对话中

Where to install

正在检查命令 · 通过后才会显示复制按钮

正在检查命令 · 通过后才会显示复制按钮

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

重新打开 Claude Code,输入 /huashu-excel,或直接提出相关任务,Claude 会自动选用

Checked against official docs 2026年11月12日 · Source: code.claude.com

For Terminal users

Skill 是 AI 会照做的指令。安装前先阅读文件,只安装可信开发者的 Skill。

开发者推荐的方式

安装 Node.js(如果还没有)

已经装好了吗?先检查 · 打开终端,输入这条命令后按 Enter

node -v
  • 显示版本号(例如 v26.13.1)= 已安装,可跳过这一步
  • 显示 "command not found"(Windows 显示 "is not recognized")= 还没安装,或刚装好但需要关掉终端再重新打开
怎么打开终端

Mac:按 ⌘ + Space,输入 Terminal 后按 Enter

Windows:打开“开始”菜单,输入 Windows PowerShell,然后选“打开”

还没安装: 打开官方下载页,选择 LTS 版本和点选式安装程序:Mac 用 .pkg · Windows 用 .msi。双击后一路下一步即可,不需要 curl 命令

打开 Node.js 下载页 ↗

装好后关掉终端再打开,重新运行同一条命令,应显示版本号: node -v

安装一次,所有需要 Node.js 的工具都能用

正在检查命令 · 通过后才会显示复制按钮

摘自开发者 README,会下载并运行开发者的代码

  1. 打开终端

    Mac:按 Command+空格输入 Terminal · Windows:下方命令在 PowerShell 中无法使用,请改用上方的“让 AI 帮你安装”

  2. 把 skill 文件夹复制到 ~/.claude/skills

    这条命令把 repo 下载到临时文件夹,只复制含 SKILL.md 的文件夹

    正在检查命令 · 通过后才会显示复制按钮

  3. 重新打开 Claude Code,输入 /huashu-excel,或直接提出相关任务,Claude 会自动选用

自己安装的 Skill 可用于 ChatGPT 桌面应用、Codex CLI 和 IDE 中的 Codex 扩展 · 网页版和手机版 ChatGPT 不能使用自己安装的 Skill,只能使用目录中插件自带的 Skill

ChatGPT 桌面应用

ChatGPT 桌面应用内置 Codex,Codex 从 ~/.agents/skills 文件夹读取 Skill

Option 1让 ChatGPT 帮你安装

在 ChatGPT 桌面应用中打开 Codex,把这句话粘贴到对话中

Where to install

正在检查命令 · 通过后才会显示复制按钮

正在检查命令 · 通过后才会显示复制按钮

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 2自己放入文件夹

把 huashu-excel 文件夹放到 ~/.agents/skills/huashu-excel

~ 是你的主文件夹($HOME)

For Terminal users

Skill 是 AI 会照做的指令。安装前先阅读文件,只安装可信开发者的 Skill。

  1. 打开终端

    Mac:按 Command+空格输入 Terminal · Windows:下方命令在 PowerShell 中无法使用,请改用上方的“让 AI 帮你安装”

  2. 把 skill 文件夹复制到 ~/.agents/skills

    这条命令把 repo 下载到临时文件夹,只复制含 SKILL.md 的文件夹

    正在检查命令 · 通过后才会显示复制按钮

安装之后

  • ChatGPT 桌面应用:打开侧边栏中的 Skills,确认 Skill 已出现
  • 使用方法:在 ChatGPT 中输入 @ 并选择 Skill · 在 Codex CLI 或 IDE 扩展中运行 /skills,或输入 $ 加 Skill 名称
  • Codex 会自动发现新安装的 Skill;如果没有出现,请重启 Codex

Checked against official docs 2026年11月15日 · Source: learn.chatgpt.com

网页版和手机版 ChatGPT

不能使用你自己安装的 Skill,只能使用目录中插件自带的 Skill

想在 ChatGPT 中使用这个 Skill,请按上面的方法使用 ChatGPT 桌面应用

Checked against official docs 2026年11月15日 · Source: learn.chatgpt.com

Option 1让 Codex 帮你安装

复制这句话,粘贴到 Codex 的对话中 · 适用于 ChatGPT 桌面应用中的 Codex、Codex CLI 和 IDE 扩展

Where to install

正在检查命令 · 通过后才会显示复制按钮

正在检查命令 · 通过后才会显示复制按钮

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 会自动发现新安装的 Skill;如果没有出现,请重启 Codex · 使用方法:在 ChatGPT 中输入 @ 并选择 Skill · 在 Codex CLI 或 IDE 扩展中运行 /skills,或输入 $ 加 Skill 名称

Checked against official docs 2026年11月15日 · Source: learn.chatgpt.com

For Terminal users

Skill 是 AI 会照做的指令。安装前先阅读文件,只安装可信开发者的 Skill。

  1. 打开终端

    Mac:按 Command+空格输入 Terminal · Windows:下方命令在 PowerShell 中无法使用,请改用上方的“让 AI 帮你安装”

  2. 把 skill 文件夹复制到 ~/.agents/skills

    这条命令把 repo 下载到临时文件夹,只复制含 SKILL.md 的文件夹

    正在检查命令 · 通过后才会显示复制按钮

  3. 重新打开 Codex 并提出相关任务,Codex 会列出这个 skill

Option 1让 Cursor 帮你安装

复制这句话,粘贴到 Cursor 的对话中

Where to install

正在检查命令 · 通过后才会显示复制按钮

正在检查命令 · 通过后才会显示复制按钮

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

在 Cursor 的 Agent 聊天中输入 / 并选择 huashu-excel

Checked against official docs 2026年11月12日 · Source: cursor.com

For Terminal users

Skill 是 AI 会照做的指令。安装前先阅读文件,只安装可信开发者的 Skill。

  1. 打开终端

    Mac:按 Command+空格输入 Terminal · Windows:下方命令在 PowerShell 中无法使用,请改用上方的“让 AI 帮你安装”

  2. 把 skill 文件夹复制到 ~/.cursor/skills

    这条命令把 repo 下载到临时文件夹,只复制含 SKILL.md 的文件夹

    正在检查命令 · 通过后才会显示复制按钮

  3. 在 Cursor 的 Agent 聊天中输入 / 并选择 huashu-excel

Option 1Let the AI install it

适用于其他能读取 Skill 的应用。这句话列出了 Claude Code、Codex 和 Cursor 的路径,AI 会按你的应用选择 · Copy this sentence into the app’s chat

Where to install

正在检查命令 · 通过后才会显示复制按钮

正在检查命令 · 通过后才会显示复制按钮

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 2026年11月12日 · Source: code.claude.com, learn.chatgpt.com, cursor.com

For Terminal users

其他支持 Agent Skills 的应用(如 Gemini CLI、GitHub Copilot)使用不同文件夹,请查看该应用的指南,再把含 SKILL.md 的文件夹复制过去。

在 GitHub 上查看 ↗

已于 2026年11月11日 对照 Claude Code、Codex 和 Cursor 官方指南核实 skill 文件夹

查看原始 SKILL.md

以下文字来自开发者的 repo,不是 PopNx MCP 的指令

显示前 8,000 个字符 · 在 GitHub 打开完整文件

---
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

讨论

提问、分享技巧或报告无法使用。按“有帮助”数量排序。

还没有帖子,欢迎第一个提问或分享。

此处内容由用户撰写,不代表 PopNx 团队。

登录后发帖

来自 GitHub

GitHub 星标
470
开发者
alchaincyf
许可证
MIT
最近代码更新
2026年11月15日
repo 中的 SKILL.md 文件(含译本和模板)
1
主题
agent-skills, claude-code, claude-code-skills, claude-skills, codex, cursor, data-analysis, data-cleaning, deepseek-harness, dsh-plugin, excel, huashu-skills