Huashu-Excel正式发布！可能、也许、大概是最好用的Excel数据处理和分析skill

在我从某团离开前，有段记忆我印象很深。当时我们业务在特殊的冲刺时期，每天上班前都要开线上早会，大概9点左右。而我作为某个业务方向新用户运营的负责人，需要每天提前2小时从后台取前一天的运营数据，做完分析，然后在早会上同步运营进展，解释昨天数据为什么波动，再据此调整当天的运营策略。

说实话，那么短周期的数据，归因其实挺无聊的，但没办法，必须做。这些数据的变化可能跟天气有关，跟我们自己的运营动作有关，跟竞争对手的策略有关，跟周中周末有关，你每天都要在这一堆因素里给出一个说得过去的解释，第二天再来一遍。

现在想来也有点烦。如果那个时候有agent，有好用的AI帮我把这些活干了就好了。

所以，虽然我自己现在基本没这类问题了，但我估计还有大把职场人每天在被数据折磨着。于是我把我对现在agent能力的理解，加上我以前做运营时攒下的数据处理和分析经验，做成了这份skill，今天正式开源：

https://github.com/alchaincyf/huashu-excel

MIT协议，随便用。

一、它能帮你干嘛

你丢一份Excel或者CSV给它，然后说人话就行：

• 「帮我分析下这份销售表」：它会走完整个流程，最后交你一份报告

• 「这两个数怎么对不上」：它会先查口径差异，而不是先查算错（对不上十次有八次是两边分母不一样）

• 「这个数靠谱吗」：对账加独立复核，告诉你哪一条最脆弱

• 「帮我把这份表洗干净」：洗完还附一份可回放的清洗脚本，每一步影响了多少行都有记录

• 「这个数你怎么算出来的」：口径回溯

它大体的工作流程是八步：体检→清洗→对齐→分析→对账→交付→验图→质控。听起来挺重，但真用起来是按需走的：查一个数就直接查，要报告才全走。这八步里我觉得最值得说的是三个地方。

第一步是体检。大部分工具拿到表的第一件事是pd.read_excel()读进来，但读进来的那一刻，合并单元格、单元格格式、原始类型就全丢了，之后所有判断都建立在损毁的信息上。我实测过一份典型的中国式销售表（标题占两行、两级表头、中间夹着「华东小计」、尾巴三行是合计），用「找对表头+清掉千分位」这种看着挺周全的做法去算月度总额，比真值高出161%，零报错、零警告。所以这个skill先用openpyxl读原始单元格做体检，把表头在哪、哪几行混着标题和小计、哪些列有猫腻全列出来，然后才开始算。

第五步是对账。表里的「合计」行，几乎所有工具都把它当噪音过滤掉，但那其实是原表作者用公式算出来的真值，等于一个免费的校验和。这个skill会拿清洗后的明细自己求和，去对表里自带的合计——测试的时候它揪出过一个差10块钱的错（表内小计写6,490,430，明细算出来6,490,420），后来查明是造表的人手填小计时填错的。相对误差0.00%，肉眼永远发现不了，脚本一次揪出来。

第八步是质控，这步基本是我自己被AI坑出来的经验。数字全对账、退出码全绿，结论仍然可能是错的，而且你自己查不出来，因为那个分析窗口是你自己挑的，你看它的时候带着它应该成立的先验。所以最后一步是另派一个没参与创作的agent，从原始数据重算一遍，专门来拆台：这个时间段是不是挑出来的？外部基准的分母对得上吗？「已剔除某某偏差」这类话，代码里真做到了吗？

报告的格式支持四种：HTML网页报告（自包含、不联网、图表用内联SVG手画，发微信当附件都能直接打开）、Excel（图表是原生的，引用数据sheet，你改个数图跟着变）、Word（走Amazon six-pager那套叙述体，不用项目符号），要PPT的话它会把分析结果转交给我另一个skill huashu-design去做，术业有专攻嘛。

二、直接看几份它交的报告

发布前我做了件比较重的事：找了十份真实的公开业务数据做压测，每份单独派一个独立的agent实跑全流程。为什么强调真实？因为Kaggle上那类HR、营销练手数据集大多是合成的，合成数据没有真实的脏，测不出东西。任务里也不提示任何坑——坑是数据本身就有的，就看它自己撞不撞得上、处理得对不对。销售、人力、财务、运营、宏观、财报，从106万行的电商交易明细到21万行的纽约市政预算都有。

直接看结果吧。

第一份，纽约市311系统里的住房类工单（归住房保护与发展局HPD管），2026年二季度全量159,275条，任务是站在运营负责人的角度做季度复盘：

这个首屏我是很满意的。月报口径里处理时长在涨，看起来是效率下降要加强管理，它往下拆了一层发现是品类结构变了：处理最快的暖气类工单随着供暖季结束大量消失，把整体中位数抬了上去，同口径再看，13个品类里12个在变快（这就是教科书里的辛普森悖论，它自己撞见、自己拆对了）。更要命的是右边那个数：32.4%的工单是以没能进门结案的，官方口径全算达成，所以达成率是86.5%还是49.5%，取决于你认哪个口径，它把两个都摆出来，让你自己选。

第二份，106万行的英国电商交易明细，给销售VP做业绩复盘：

首屏标题直接把结论写在脸上：表面的营收增长是新品补出来的。两年都在卖的3,145个老SKU营收掉了12.9%，651个新品带来£2.05M把窟窿填上，而同期英国线上大盘还在两位数扩张。导语顺势把明年预算的问题从「投国内还是投海外」改写成了「先止血还是先扩张」。这就是从发生了什么推到所以该做什么。这份数据里还有一万多个转不成数字的发票号，它没有静默丢掉，逐个去看，查出C开头的是取消单、A开头的是坏账调整，甚至从商品代码里摸出了这家公司上线Amazon渠道的时点，那一万多个脏值最后一个个都成了业务线索。

第三份，纽约市21万行的市政预算，回答「多出来的109亿怎么解释」：

结论是「这109亿不是超支，是记账时点」。首屏那行小字是我最喜欢的：对账21/21项，与预算办公室印刷卷分毫不差。这个分毫不差来得不容易，第一版它算出过一个行数守恒、金额恒等、内部校验全绿的数字，拿去对外部权威数字，错了整整一个财年，因为那份数据的列名和字面意思对不上（fiscal_year=2026那行的「采纳预算」列，装的其实是FY2025的数）。内部校验全对的报告，可以整体错一个财年，而且没有任何内部检查能发现——是「必须查外部基准」这条规则把它救回来的。

第四份，28,225份真实薪酬调查问卷，给HR做一份能进董事会的薪酬公平诊断：

这份数据脏得很有代表性：11种货币混在同一列，行业随手填出了1,228种写法，最高年薪1.02亿美元，它把那个1.02亿当录入错误处理了，没当发现（这个领域有条Twyman's Law：看起来异常的数字，通常是错的，先当bug查，排除了才当发现）。28,225份问卷进入分析的是其中22,918份美元样本，交出的结论自带证明边界：能证明差距随工龄扩大，证明不了起点为零，这个区别它直接写在了首屏。

这四份报告都是独立agent自己跑出来的，我另派了复核agent从原始数据把核心数字重算了一遍，正文里引的都是复核对上的那些。

三、这个skill的设计逻辑

多讲两句背后的设计思路，对在做agent产品的朋友可能有点参考价值。

这个skill本质上是一套体系化的策略，用来激发现在大模型的能力，同时避开大模型在数据处理上的缺陷。最大的那个缺陷就是前面说的：AI算错的时候不会报错。你写代码，错了会抛异常；你做数据分析，错了什么都不会发生，一个错误的数字和正确的数字交付出去的时候长得完全一样。整套流程里的对账、验图、独立质控，都是在给这个不存在的报错机制补位。

激发能力的部分，一部分灵感来自Anthropic的AI心理学研究。skill的第一句话是「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」，然后要求它依次成为领域专家、数据分析师、战略顾问、视觉设计师、前端工程师、质控，像一个百万美元项目组那样工作。Anthropic这两年那一系列研究的大意是，模型的表现和它被引导进入的角色状态强相关，所以这份skill会用一次词汇激发，让agent进入处理数据时该有的心理状态和心智空间。听着有点玄学，但认定自己是「一个会用pandas的助手」，产出就真的止步于助手，这个我反复验证过。

另外是用一套体系化的流程要求，让agent耗费更多的token去思考和规划，换更好的结果，有点类似推理模型里test-time scaling的逻辑（给模型更多的推理时计算，答案质量就上去，o1和DeepSeek R1走的都是这条路）。八步流程本质上就是在强制它多想：每跑完一个脚本，要回答「看到了什么、意味着什么、下一步查什么」才准往下走。skill里有条判据我自己很喜欢：如果跑完脚本之后，你的下一步动作和跑之前计划的一模一样，说明你没有真的在看那个输出。

以及，大模型本身不擅长算数，这一点到今天也没变，真正的计算还是得写脚本来做，所以skill里内置了一堆帮agent拆解和处理数据的脚本：体检、清洗、陷阱扫描、对账、验图、验Word。但脚本的定位写得很清楚：它们是眼睛，不是大脑；是地板，不是天花板。遇到脚本处理不了的结构，agent该自己写代码、自己判断。

还有些看得见和看不见的讲究，都是有出处的：它默认给你中位数和五数概括，均值只当陪衬，因为业务数据几乎总是右偏的，少数大客户会把均值拉走（统计学家Tukey那套抗差统计）。它在类别超过3个时会直接拒绝画饼图，理由是人眼读角度和面积的精度远低于读长度，这条背后是1984年就发表了测量结果的感知实验，跟审美偏好没关系。柱形图的数值轴强制从0开始，双轴图整个禁掉，不完整的最后一个周期画虚线。每一条防的都是图没错但在误导人。

图表这块值得多贴几张。下面全是这次压测里agent手写内联SVG画出来的，没有用任何图表库（这也是为什么报告文件离线单开就能看），类型是按数据的需要选的，柱形折线饼图三板斧之外它会的还挺多。

洛伦兹曲线，回答营收有多集中这一个问题，弧线离对角虚线越远越集中：

双峰分布，认出零售和批发两群客户混在同一份账本里，阈值骑墙的那根柱子单独标灰，不硬分给任何一侧：

事件研究图，验证涨价是不是增值税调整导致的，它把生效日画进图里，发现价格抬升发生在生效日之前：

价量分解，把营收变化拆成价格效应、数量效应和SKU进出，各自贡献多少一目了然：

哑铃图，四条线里一眼看出预算修订几乎全落在非人力支出：

小倍数图，每个品类一格共享同一把尺子，比把13条线塞进一张图清楚一个数量级，连怎么读都替读者写好了：

压测里撞出来的几十个bug和缺陷，大部分已经修回skill里，还有两个已知的挂在改进清单上，等于这十场测试的学费差不多交完一轮了。

四、几乎所有agent都能用

最后说下怎么用。这个skill不挑agent，Claude Code和Codex就不用说了，你用WorkBuddy、豆包、DeepSeek Harness这些也都完全没问题。它开工时会先探测所处的环境：能跑Python就跑脚本，能派子任务就并行分析，连脚本都跑不了的环境，它会转成直接告诉你在Excel里怎么点、公式怎么写。核心流程的依赖只有一个openpyxl，处理CSV连这个都不需要，纯标准库；验图那一步装了playwright会更全，缺了它会明说，不会假装验过。

装的方式：

npx skills add alchaincyf/huashu-excel

或者直接clone到你的agent读skill的那个目录。再或者最简单的，什么都不装，把仓库链接丢给你的agent，说一句：

「读一下这个仓库的SKILL.md，然后帮我分析这份表。」

就可以了。