企业官网建设流程全解析

• AI 技能
• 人工智能
• 深度研究
• 数据分析
• 媒体生成

导读

本文围绕开源仓库 SenseNova-Skills 中的sn-da-excel-workflow技能展开，它是一个面向 AI Agent 的 Excel 数据分析多步编排器，将「读取 → 大文件检测 → 数据清洗 → 条件筛选 → 跨 Sheet 聚合 → 导出报告」的完整链路拆解为 6 个可编排步骤，每一步都映射到独立的 capability 子技能。读完本文，你将掌握如何按行数阈值（10k / 100k）动态选择读取策略、如何用 openpyxl 流式读取避免内存溢出、如何用 Parquet 缓存加速重复分析，以及如何通过read_file按需加载子技能模板，在 Agent 环境中稳定地完成从原始 Excel 到带样式、带图表的可下载报告的全流程任务。

一、技能定位：何时触发，何时不触发

sn-da-excel-workflow在仓库中的定位是Excel Analysis Orchestration（Excel 分析编排），详见 README.md 与技能自身的description元数据（skills/sn-da-excel-workflow/SKILL.md）。它的触发条件非常明确，Agent 遇到以下任一情况就应主动加载本技能，而不是自行写几行 pandas 应付了事：

• 用户出现触发词：Excel 分析 / 表格分析 / 数据分析 / 数据清洗 / 数据统计 / 数据筛选 / 数据可视化 / 数据导出 / 汇总统计 / 透视表 / 分组统计 / 交叉分析 / 趋势分析 / 对比分析 / 异常值检测 / 去重 / 缺失值处理 / Excel 报告 / 生成报表，以及英文关键词 analyze Excel / data analysis / data cleaning / pivot table；
• 用户上传或指定了.xlsx/.xls/.csv文件并要求分析、清洗、统计或可视化；
• 任务涉及多 Sheet 读取、条件筛选、分类汇总、图表生成中的任意一项；
• 用户要求导出带格式的 Excel 报告或下载链接。

同时它明确划定了不适用场景：不涉及表格数据的纯文本处理、图片分析（应交给sn-da-image-caption）、单个公式计算的简单问答。这种「触发词 + 文件类型 + 任务类型」的三重判定，是 Agent Skills 规范中"clear triggers"的典型实践（仓库 README 的 Contributing 一节也强调了这一点）。

二、工作流总览：6 步编排，能力逐步下沉

整个工作流以主文档 skills/sn-da-excel-workflow/SKILL.md 为导航骨架，每一步在需要详细代码模式时，通过read_file按需加载对应子技能。6 个步骤为：

下面逐步骤展开，完整继承主文档的代码与参数，并深入各子技能与底层源码验证实现细节。

Step 1：跨 Sheet 统计行数（轻量，不整表加载）

第一步永远是用openpyxlread_only模式逐 Sheet 统计行数，绝不能用pd.read_excel()来数行——后者会把全部数据载入内存，在大文件上会直接 OOM。

import openpyxl, gc wb = openpyxl.load_workbook(file_path, read_only=True, data_only=True) total_rows = 0 sheet_info = {} for name in wb.sheetnames: ws = wb[name] row_count = sum(1 for _ in ws.iter_rows(min_row=2, values_only=True)) total_rows += row_count sheet_info[name] = row_count print(f"Sheet '{name}': {row_count} rows") wb.close() print(f"总行数={total_rows}")

关键点说明：

• read_only=True让 openpyxl 以流式方式读取工作簿，不把整个 XML 解析进内存；
• data_only=True返回单元格的缓存值（公式计算结果）；
• min_row=2跳过表头行，统计的是纯数据行；
• 循环结束后必须wb.close()释放句柄。

该步对应的子技能excel-reading/multi-sheet-reading提供了另一种等价的统计实现（skills/sn-da-excel-workflow/capability/excel-reading/multi-sheet-reading/SKILL.md），即用ws.max_row直接取行数后减 1，但主文档强调的iter_rows流式计数方式对任意文件大小都安全，是最稳妥的轻量方案。若需要同时探查列名与行数，可参考上层大文件技能中的inspect_excel()函数（见下文第六节）。

Step 2：大文件闸门（关键——按行数选择策略）

统计出total_rows后，按以下决策表选择后续所有操作的读取策略：

对于 >= 100k 行的文件，主文档明确要求先执行：

read_file(path="<skills_base>/sn-da-large-file-analysis/SKILL.md")

然后使用该技能中的stream_excel_to_parquet()函数——它通过 openpyxliter_rows以 50k 行一个 chunk 流式写入 Parquet，内存占用恒定（详见第六节源码剖析）。

对于 10k – 100k 行（仅此区间），使用 Parquet 缓存模式：

import pandas as pd parquet_path = "/tmp/_auto_parquet.parquet" df = pd.read_excel(file_path, sheet_name=target_sheet) df.to_parquet(parquet_path, engine="pyarrow") del df; gc.collect() df = pd.read_parquet(parquet_path)

这段代码的精髓在于：pd.read_excel()只在首次转换时调用一次，转换成功后立即del df; gc.collect()释放内存，后续所有分析都从列式存储、带压缩的 Parquet 读取，速度与内存都大幅优于反复读 xlsx。del df; gc.collect()这一内存释放习惯，在 skills/sn-da-large-file-analysis/SKILL.md 的 Best Practices 中被列为第 3 条强制项。

子技能excel-reading/large-excel-reading（skills/sn-da-excel-workflow/capability/excel-reading/large-excel-reading/SKILL.md）完整演示了这一流程：先统计总行数，超过 1 万行即转 Parquet，随后用 openpyxl 生成带条件高亮和自定义样式的格式化 Excel 报告，并在末尾以sandbox:{output_path}格式输出下载链接。

Step 3：检查 Schema 与数据类型

在正式分析前，先预览目标 Sheet 的结构。对大文件（>= 10k 行）只读少量样本，绝不为检查而全量加载：

# For any file size — read only first N rows for inspection df_head = pd.read_excel(file_path, sheet_name=target_sheet, nrows=20) print(f"Columns: {df_head.columns.tolist()}") print(f"Dtypes:\n{df_head.dtypes}") print(df_head.head(10))

nrows=20只拉取前 20 行，既能看到列名、dtype 与样例数据，又不会造成内存压力。如果文件已经走完 Step 2 转成了 Parquet，也可以直接pd.read_parquet(parquet_path)后取head()。对应子技能为excel-reading/range-reading（特定区域数据提取，根据数据量动态选择处理策略）。

Step 4：数据清洗

清洗阶段处理三类典型问题：缺失值、文本标准化、无效字符。主文档给出最小可用的清洗骨架：

# Missing values null_count = df[col].isna().sum() # Text cleaning: keep only Chinese characters import re def clean_text(val): if pd.isna(val): return val return "".join(re.findall(r"[\u4e00-\u9fff]", str(val))) or "" df[col] = df[col].apply(clean_text)

⚠️大文件规则：当total_rows >= 100k时，不得使用df.apply(lambda...)，应改用向量化操作或np.where()，具体可查sn-da-large-file-analysis技能的向量化速查表（见第六节）。

在子技能层面，清洗能力被细分为 6 个方向，各有更完整的实现：

• excel-data-cleaning/missing-value-handling（SKILL.md）：深度清洗包含合并单元格 ffill 填充、正则去除数字前缀（re.sub(r'^\d+[\.\s\-]+', '', text)）、仅保留中英文字符（re.sub(r'[^\u4e00-\u9fa5a-zA-Z0-9]', '', text)）、RGB 三通道数值化与黑色像素筛选，最后做跨 Sheet 合计核对与pd.crosstab交叉占比分析；
• excel-data-cleaning/text-normalization（SKILL.md）：对含前缀符号（.,I,■,一,_等）的数值字段逐个剥离前缀并转int，转换失败返回np.nan；对文本列仅保留 Unicode 中文字符区间[\u4e00-\u9fff]，结果以新列{原列名}_清洗后追加；
• excel-data-cleaning/invalid-data-cleaning：正则清洗指定文本列，大文件自动 Parquet 加速；
• excel-data-cleaning/numeric-format-normalization（SKILL.md）：pd.to_numeric(col, errors='coerce')强制数值化，随后把计算合计与汇总 Sheet 中的"合 计"行做一致性核对（用abs(total - expected) < 1e-6处理浮点精度），结果同时导出 xlsx 与 utf-8-sig 编码的 CSV；
• excel-data-cleaning/duplicate-removal（SKILL.md）：基于关键词逐行提取记录、用set()高效去重，输出"唯一项总数"摘要与详细清单两个文件；
• excel-data-cleaning/outlier-detection（SKILL.md）：IQR 方法（Q1 - 1.5*IQR/Q3 + 1.5*IQR）识别异常值，配合偏度/峰度判定分布形态（右偏/左偏/对称、尖峰/平峰/正态趋向），并给出盖帽法clip()或删除法的处理骨架。

Step 5：条件筛选与分类提取

对清洗后的数据应用条件筛选或分类筛选，再进行聚合：

# Condition filter mask = df[col].astype(str).str.strip() == target_value filtered = df[mask] # Category extraction (for headerless layouts) df_raw = pd.read_excel(file_path, sheet_name=sheet, header=None) # Walk rows to find category markers, collect items until next marker

两种典型场景：

1. 条件筛选：先把目标列转字符串并strip()去除首尾空格，再做精确等值匹配，避免空格导致的匹配失败；
2. 无表头布局的分类提取：header=None读取后用位置索引逐行扫描，遇到分类标记行就开启一个新分组，收集直到下一个标记出现——这类"表头不标准"的场景正是excel-data-filtering/category-filtering的处理对象。

子技能层面对筛选能力的拆解（skills/sn-da-excel-workflow/capability/excel-data-filtering/）：

• condition-filtering（SKILL.md）：多维度清洗与筛选组合拳——同义列名自动识别、RGB 通道过滤、字符串前缀筛选（str.startswith('TXL3')）、pd.to_numeric(errors='coerce')处理脏数据、正则匹配提取（str.contains(r'--pct-')），最后用 openpyxlPatternFill对整行标红后导出；
• category-filtering（SKILL.md）：自定义分类映射 + value_counts 分布统计 + 交叉分析堆叠柱状图，还包含文本内容的多维度评分分级算法（长度 × 30% + 术语密度 × 20% + 是否含数值 × 15% + 复杂概念 × 35%）；
• range-filtering：多维数值条件筛选并导出，支持大规模数据自动性能优化；
• threshold-filtering（SKILL.md）：pd.to_numeric清洗数值列 →dropna剔除无效行 → 阈值比较筛选（如df[col] > 10）→ openpyxl 对命中单元格做样式标记。

Step 6：导出结果

将筛选/清洗后的数据保存为 Excel 或 CSV，并提供下载链接：

output_path = "/mnt/data/result.xlsx" result_df.to_excel(output_path, index=False) print(f"Download")

导出层在子技能中细分为 4 个方向（skills/sn-da-excel-workflow/capability/excel-result-export/）：

• single-sheet-export（SKILL.md）：多 Sheet 数据探查 → 条件过滤 → 字段重命名映射（rename_mapping字典）→ 统计各分类数量与占比 → 追加"总计"行 → 导出带下载链接的 Excel；
• formatted-export（SKILL.md）：跨 Sheet 模糊匹配目标列，筛选空值与无效字符（nan/纯空格）记录，导出后对整行标红（PatternFill红色填充）；
• chart-embedded-export：分类分布清洗统计 + 多维交叉分析 + 高分辨率嵌入式图表报告；
• report-generation-export（SKILL.md）：从 Excel 提取多类型数据，分类映射 + 占比/总计行 + 交叉分析 crosstab + 超限值反向搜索（在"限值"行附近正则提取数值做超限判定与严重度分级）+ 饼图报告与sandbox:下载链接。

三、关键规则：Agent 必须遵守的硬性约束

主文档以 Key rules 一节总结了整个工作流的不可违背原则，整理如下：

1. 永远先数行数——以 10k 阈值为大文件逻辑的分界；
2. >= 100k 行必须加载sn-da-large-file-analysis技能——不得用pd.read_excel()硬扛；
3. 列名可能包含空格（如'是否通 过'）——必须用精确字符串索引，不能假设列名无空格；
4. 无表头 Sheet——用header=None+ 位置索引；
5. 大文件（>= 100k 行）禁用清单：
   • pd.read_excel()全量加载（应改为流式读取 → Parquet）；
   • df.apply(lambda...)或df.iterrows()（应改为向量化操作或itertuples()）；
   • fc-list、find ... fonts、subprocess搜字体、pip install（应使用下文固定的字体路径）；
   • 打印全部唯一值或完整 DataFrame（应使用.head()、.value_counts().head()）。

这些禁令并非教条：pd.read_excel()全量加载在 10 万行以上必然 OOM 或超时；df.apply(lambda)逐行调用 Python 函数比向量化慢 10~100 倍；动态搜字体和装包会拖垮整个会话，且环境未必允许联网安装。以禁止df.iterrows()为例，skills/sn-da-large-file-analysis/SKILL.md 的向量化速查表给出了完整替代：df['col'] * 2替代apply(lambda x: x*2)，df.itertuples(index=False)替代df.iterrows()，np.where(df['a']>0,'Y','N')替代map(lambda)，df.groupby('a').agg(...)替代groupby.apply(custom_func)。

四、CJK 字体配置（图表生成强制项）

用 matplotlib 生成图表时，必须原样复制下面这段字体配置，禁止用fc-list、find、subprocess或glob去搜索字体——固定路径逐个探测，命中即用：

import os import matplotlib import matplotlib.pyplot as plt import matplotlib.font_manager as fm _FONT_PATHS = [ '/mnt/afs_agents/SimHei.ttf', '/mnt/afs_agents/mnt/data/SimHei.ttf', os.path.expanduser('~/.fonts/SimHei.ttf'), '/usr/share/fonts/truetype/wqy/wqy-zenhei.ttc', '/usr/share/fonts/SimHei.ttf', ] for _p in _FONT_PATHS: if os.path.exists(_p): fm.fontManager.addfont(_p) matplotlib.rcParams['font.family'] = fm.FontProperties(fname=_p).get_name() break matplotlib.rcParams['axes.unicode_minus'] = False

这段代码同时覆盖了 5 个可能的字体安装位置（SimHei 与文泉驿正黑），一旦命中就将其注册进 matplotlib 字体管理器并设为全局族名；axes.unicode_minus = False解决负号显示为方块的问题。整个仓库的可视化子技能（柱状图、饼图、折线图、散点图、堆叠图、箱线图、热力图）无一例外都以plt.rcParams['font.sans-serif'] = ['SimHei', ...]开头，例如 skills/sn-da-excel-workflow/capability/excel-data-visualization/pie-chart-visualization/SKILL.md 中的['SimHei', 'DejaVu Sans']、category-statistics 中的['SimHei', 'WenQuanYi Zen Hei', 'Noto Sans CJK JP', 'DejaVu Sans']，读者可以按实际环境选择更宽的回退链。

五、如何加载子技能（按需加载，节省上下文）

主文档的定位是"顶层工作流导航图"，子技能才提供每一步的详细实现模板。加载规则如下：

read_file(path="<base_path>/<category>/<sub-skill-name>/SKILL.md")

三条硬性规则：

• 只加载当前步骤需要的子技能；
• 不要一次性加载全部子技能——浪费上下文窗口；
• 顶层工作流（本文档）是导航，子技能是实现细节。

子技能的基准路径为：<skills_root>/sn-da-excel-workflow/capability/{category}/{sub-skill}/SKILL.md。目前仓库共收录 9 大类 35 个子技能，各分类与其功能对应如下（完整清单见 skills/sn-da-excel-workflow/capability/）：

excel-reading — 读取与解析（7 个）

• single-sheet-reading：读取单个工作表，支持合并单元格处理、交叉分析及多维度可视化
• multi-sheet-reading：读取多工作表，动态评估数据量启用 Parquet 优化，支持正则清洗、分类汇总与线性拟合
• range-reading：特定区域数据提取，根据数据量动态选择处理策略
• large-excel-reading：大型 Excel 文件处理，支持 Parquet 转换提速，生成带条件高亮的格式化报告
• multi-file-reading：多文件读取与统计，支持大文件 Parquet 转换与可视化报告
• specific-sheet-reading：跨 Sheet 特定字段统计、数据清洗与交叉分析，生成带下载链接的汇总报告
• structured-header-reading：动态识别目标列进行统计，正则清洗文本字段提取中文字符

excel-data-cleaning — 数据清洗（6 个）

• missing-value-handling：多 Sheet 智能清洗、跨表核对与可视化分析
• duplicate-removal：多 Sheet 去重统计，生成摘要与明细报表
• invalid-data-cleaning：正则清洗指定文本列（如保留中文字符），大文件自动 Parquet 加速
• text-normalization：文本标准化清洗（去除异常前缀、提取纯中文字符等）
• numeric-format-normalization：数值格式标准化，支持关键指标合计核对与结果文件导出
• outlier-detection：IQR 异常值检测，结合偏度/峰度分析数据分布，适用于非正态数据预处理

excel-data-filtering — 数据筛选（4 个）

• condition-filtering：根据数据规模动态选择处理策略进行条件筛选
• category-filtering：自定义分类统计、交叉分析，支持文本长度/术语密度/正则匹配等综合评分与分级
• range-filtering：根据多维数值条件筛选并导出，支持大规模数据自动性能优化
• threshold-filtering：数值列清洗、条件过滤，使用 openpyxl 对符合条件的单元格进行样式标记

excel-data-analysis — 数据分析（6 个）

• comparison-analysis：两类分类数据对比分析，统计数量差异与比例关系并生成可视化
• group-by-analysis：多 Sheet 数据清洗及分组聚合分析，生成带样式标记的统计表与图表
• kpi-metric-analysis：提取关键指标进行单位一致性验证与排序分析
• pivot-table-analysis：交叉表与热力图进行多维度占比分析，适用于奖项分布/绩效评估/市场占有率
• time-series-analysis：时间序列趋势分析、百分比清洗、绩效分级建模与预测，生成高分辨率可视化报告
• trend-analysis：多维度分级评估与趋势预测，差异化增长率计算，适用于绩效评估/目标设定

excel-data-statistics — 统计计算（4 个）

• basic-statistics：基础统计，支持按条件筛选计算均值，指定行区间提取数据去重求和
• category-statistics：各类别数量与占比统计，生成柱状图/饼图等组合可视化报告
• grouped-statistics：多 Sheet 数据合并与前向填充，分组统计
• percentage-calculation：逐行扫描或列匹配提取关键指标并计算占比/均值，输出结构化报告及图表

excel-data-visualization — 数据可视化（6 个）

• bar-chart-visualization：处理合并单元格，交叉分组统计，生成支持中英文字体的美化柱状图
• histogram-visualization：数值型分布分析与异常值检测，支持正则提取误差项，生成箱线图与直方图
• line-chart-visualization：特征清洗与聚类分析，生成趋势对比/分布特征/参数敏感性多维度图表
• pie-chart-visualization：分类汇总统计，自动识别关键字段生成包含占比/数值的美化饼图
• scatter-plot-visualization：多维度统计分析与散点图可视化
• stacked-chart-visualization：百分比字符串数据处理，补全缺失维度，生成堆叠柱状图展示构成变化趋势

excel-cell-coloring — 单元格着色（5 个）

• category-coloring：提取目标指标计算最大值，对特定行进行高亮标注
• duplicate-value-coloring：对比多表中的特定系数并对异常值进行颜色标记
• outlier-coloring：识别超限数值与错误单元格并进行高亮标注
• threshold-cell-coloring：计算时间序列平均值，使用 openpyxl 输出带条件格式（如低于均值标绿）的报告
• top-value-coloring：根据数据规模动态选择策略，多表合并、统计筛选，关键指标自动化样式高亮

excel-conditional-formatting — 条件格式（1 个）

• data-bar-formatting：从带单位字符串列提取数值并清洗，生成直方图/饼图/条形图/累积分布图

excel-result-export — 结果导出（4 个）

• single-sheet-export：多 Sheet 数据探查与条件过滤导出，重命名字段后生成带下载链接的 Excel
• formatted-export：条件筛选记录并以整行标红格式导出 Excel
• chart-embedded-export：分类分布清洗与统计，生成多维度交叉分析与高分辨率嵌入式图表报告
• report-generation-export：从 Excel 提取多类型数据，生成包含可视化图表与下载链接的综合分析报告

excel-table-styling — 表格样式（1 个）

• table-theme-styling：大文件 Parquet 加速读取，条件筛选/分类汇总与结果导出

六、源码级支撑：与 sn-da-large-file-analysis 的分工与底层实现

sn-da-excel-workflow的 Step 2 明确约定：>= 100k 行必须转交 skills/sn-da-large-file-analysis/SKILL.md。这个上游技能为编排器提供了几个可复用的核心函数，理解其实现能帮助你把握整个工作流在大数据量下的性能边界：

1.inspect_excel()— 不加载数据探查结构。它同样以openpyxl.load_workbook(read_only=True, data_only=True)打开文件，iter_rows(values_only=True)首行作为表头（空值自动命名Col_{j}），其余行计数，返回{sheet_name: {rows, columns}}。这印证了主文档 Step 1"轻量计数"的设计原则。

2.stream_excel_to_parquet()— 10 万行以上的安全通道。函数以chunk_size=50000为界，每攒满一个 chunk 就用 PyArrow 构建全字符串类型的表（避免混合类型列在某 chunk 全为 None 时导致 schema 推断漂移），通过pq.ParquetWriter追加写入，每批写入后gc.collect()回收内存。这就是主文档 Step 2 表格中"openpyxl iter_rows 50k-row chunks with constant memory"的完整实现。

3.convert_excel_to_parquet()— 10k–100k 行的缓存模式。先检查目标 Parquet 是否已存在（存在则直接复用，不做重复转换），否则pd.read_excel()读一次、列名统一转字符串、以snappy压缩写出并清理内存。

4.optimize_dtypes()— 内存压榨。对整型按值域自动降级到 int8/int16/int32，浮点统一转 float32，低基数字符串列（nunique/len < 0.5）转 category，通常可节省 50%–80% 内存。

5.write_large_excel()— 大结果写出策略。超过 100 万行自动转 CSV（Excel 单 Sheet 上限 1,048,576 行）；单元格总数超过 5 万用openpyxl Workbook(write_only=True)逐行追加；否则走常规df.to_excel()。

6. 内存估算公式：估算 MB ≈ 行 × 列 × 8 / 1024²（纯数值列），含文本列按 ×50 估算；当估算值超过可用内存 80% 时，应改用pd.read_parquet(columns=[...])按需选列或分块处理。

这套"行数闸门 + 分层读取 + 内存回收"的设计，也直接体现在仓库的端到端示例中：examples/employee-performance-analysis通过sn-da-excel-workflow把 10 份月度绩效 xlsx 对齐列结构合并为一张纵向表，再做月度均线、得分箱线图、38 角色排名等聚合视图；examples/memory-price-end2end-analysis则从报价 CSV 出发完成字段画像、类别与时间戳归一化后再进入深层研究。这两个示例（README.md）可作为本工作流在真实任务中的验收参考。

七、组合使用建议与最佳实践

把主文档的编排思想与仓库内的实现证据结合起来，推荐以下落地顺序：

1. 先探测，再决策：无论文件多大，都先用 openpyxlread_only数清各 Sheet 行数（Step 1），把total_rows作为后续所有分支的唯一依据；
2. 按量级选通道：<10k 直接读；10k–100k 一次性转 Parquet 缓存；>=100k 必须切换到sn-da-large-file-analysis的流式通道，全程禁碰pd.read_excel()全量加载；
3. 清洗用向量化：缺失值、文本标准化、无效字符清理尽量用pd.to_numeric(errors='coerce')、str访问器、np.where等向量化手段，禁止对大数据框apply(lambda)/iterrows()；
4. 可视化先配字体：任何 matplotlib 图表生成前，先原样执行主文档的 CJK 字体块，避免中文乱码与负号方块；
5. 导出三件套：result_df.to_excel(output_path, index=False)+print(f"Download")，保证结果可追溯、可下载；
6. 按需加载子技能：当前步骤需要哪个模板就读哪个SKILL.md，一次只读一个，避免上下文浪费。

需要特别说明的是，本技能设计运行在 Agent Skills 兼容的运行时中，仓库 README 建议将其部署到 OpenClaw（~/.openclaw/skills/）或 hermes-agent（~/.hermes/skills/），并配合 SenseNova Platform API 使用（安装全流程见 INSTALL.md）。sandbox:前缀的下载链接约定与/mnt/data、/mnt/afs_agents等路径，均以 Agent 沙箱环境的实际挂载为准，读者在自建环境中应替换为可写目录并保持链接格式一致。

结语

sn-da-excel-workflow的价值在于把"Excel 数据分析"这件看似简单、实则极易踩坑的事，固化成了一条以行数为纲、按量级分流的确定性流水线：轻量计数避免内存灾难，Parquet 缓存换来重复分析的常数级提速，流式读取兜底十万行以上场景，再配合 35 个按需加载的 capability 子技能覆盖清洗、筛选、统计、可视化、着色与导出的每一个细分环节。对任何需要在 Agent 中稳定交付 Excel 分析任务的开发者而言，这套"顶层编排 + 子技能下沉"的架构本身就是一份可直接复用的工程模板。

• AI 技能
• 人工智能
• 深度研究
• 数据分析
• 媒体生成