GitHub 安装链接
安装完成后，即可在支持 Skill 的环境中调用 analyzing-data，将 Excel、CSV、JSON 或文本数据转化为结构化分析结果和 HTML 可视化报告。
一、为什么需要 analyzing-data
在很多实际工作场景里，数据分析并不是从“建模”开始的，而是从一份混乱的 Excel、CSV 或文本数据开始的。
用户手里可能有销售数据、商品数据、用户数据、经营数据、库存数据，甚至只是从系统里导出来的一份表格。真正的问题往往不是“我会不会写代码”，而是：
这份数据到底长什么样？
字段有没有问题？
哪些数据是有效的？
应该从哪个角度分析？
分析完之后，怎么把结果讲清楚？
能不能直接生成一份可视化报告？
analyzing-data 这个技能，就是为了解决这类问题而设计的。它不是单纯读取文件，也不是只生成图表，而是把“数据读取、结构识别、分析确认、可视化报告生成”串成一个完整流程。
它的核心定位是：帮助用户把原始数据转化为可理解、可确认、可展示的数据分析报告。
二、analyzing-data 是什么
analyzing-data 是一个面向数据分析和可视化报告生成的技能。它支持接收 Excel、CSV、JSON 或文本类数据，先识别数据结构和质量问题，再根据用户需求进行统计分析、分组汇总、趋势分析、相关性分析、Top/Bottom 排名等操作，最后生成一份莫兰德色系的 HTML 可视化报告。
它的设计重点不在于“快速给一个答案”，而在于建立一个可靠的数据分析流程。也就是说，它不会在没有确认数据结构的情况下直接下结论，也不会在分析结果没有被用户确认前直接生成最终报告。
这个流程看起来多了一步确认，但实际很重要。因为在真实数据分析中，很多错误不是分析公式错了，而是从一开始就读错了表、认错了字段、忽略了空值、混淆了数据类型。
三、它主要解决什么问题
1. 原始数据看不懂
很多数据文件不是标准数据库表，而是业务人员导出的工作表。里面可能有合并单元格、空行、异常字段、备注列、格式混乱、字段命名不清等问题。
analyzing-data 会先对数据进行结构识别，包括行数、列数、字段名称、字段类型，以及可能存在的数据质量问题。这个阶段的目标不是马上分析，而是先把“这份数据是什么”讲清楚。
2. 用户不知道该怎么分析
很多时候，用户只是说“帮我分析一下这个数据”。但“分析”本身并不是一个具体动作。它可能意味着看销售额，也可能是看趋势、看排名、看异常、看结构、看相关性。
所以这个技能会在读取数据后，引导用户选择合适的分析方向，例如统计汇总、分组聚合、趋势分析、相关性分析、Top/Bottom N 分析、分类对比或条件筛选。
它不是替用户盲目分析，而是先建立分析目标。
3. 分析结果难以展示
很多分析停留在文字结论或表格结果上，虽然有用，但不适合汇报和传播。尤其是业务数据，经常需要给别人看，最好能有图表、摘要、关键指标和明细表。
analyzing-data 的最终输出是 HTML 可视化报告，包含数据概览、图表、数据表和分析总结。报告是自包含的单个 HTML 文件，可以直接用浏览器打开。
四、适用场景
analyzing-data 适合用于那些“有具体数据文件，并且希望得到分析结果”的场景。
比如：
销售数据分析：查看销售额、销量、利润、区域分布、品类贡献。
商品数据分析：分析商品结构、畅销商品、滞销商品、价格带、库存表现。
用户数据分析：查看用户分布、行为特征、留存情况、转化情况。
经营数据复盘：对某个周期内的业务数据进行总结和对比。
轻量级数据汇报：把分析结果生成一份可以直接展示的 HTML 报告。
它不适合用于单纯查看原始数据，也不适合只做格式转换，比如 CSV 转 JSON。如果用户只是想打开表格看看，或者只是想转换文件格式，这个技能就不是最优选择。
五、核心工作流程
analyzing-data 的流程可以分成五个阶段。
第一阶段：接收数据
技能支持多种数据来源，包括 Excel 文件、CSV 文件、JSON 文件、制表符分隔文本、普通文本数据，也可以从用户提供的 URL 下载数据。
这一阶段的目标是获取数据源，并确认数据可以被读取。
第二阶段：读取并解析数据
拿到数据后，技能会识别数据的基本结构，包括：
-
数据有多少行、多少列
-
每一列的字段名称
-
每个字段的数据类型
-
是否存在空值、合并单元格或明显的数据质量问题
完成读取后，技能会先向用户展示这些信息，并让用户确认：“这是你要分析的数据吗？”
这一点是整个流程里很关键的设计。因为只有确认数据读对了，后面的分析才有意义。
第三阶段：执行数据分析
用户确认数据后，技能会根据需求执行对应分析。
常见分析方式包括：
-
基础统计：数量、求和、平均值、最小值、最大值、中位数、分位数
-
分组汇总：按地区、品类、门店、时间等维度聚合
-
趋势分析：适合时间序列数据
-
相关性分析：判断两个变量之间是否存在关系
-
Top/Bottom N：找出排名靠前或靠后的项目
-
分类对比：比较不同类别之间的差异
-
条件筛选：只分析符合特定条件的数据
这一阶段的目标不是堆砌计算结果，而是提炼出用户真正能理解、能使用的发现。
第四阶段：确认分析结果
分析完成后，技能不会立刻生成最终报告，而是先展示关键发现、建议可视化图表，以及可能存在的异常或风险点。
用户确认分析结果没有问题后，才会进入报告生成阶段。
这一步让整个技能更适合真实业务场景。因为业务分析经常需要来回修正，例如字段理解错了、维度选错了、口径需要调整。如果一开始就生成最终报告，反而会增加返工成本。
第五阶段：生成 HTML 可视化报告
确认分析结果后，技能会生成一份单页 HTML 报告。报告采用莫兰德色系，整体风格偏克制、干净、正式，适合用于业务汇报和数据展示。
报告通常包含：
-
数据概览
-
核心指标
-
图表可视化
-
明细数据表
-
分析摘要
-
异常提醒或结论说明
图表部分会根据数据类型自动选择合适形式。分类数据适合柱状图或饼图，数值数据适合直方图或箱线图，时间序列适合折线图，相关性分析适合散点图。
六、视觉风格设计
analyzing-data 默认使用莫兰德色系作为报告视觉风格。
它的主色包括灰蓝、灰绿、灰紫、米灰背景、白色卡片和低饱和边框色。整体风格不是强烈刺激型的数据大屏，而是更适合阅读、汇报和复盘的轻量化分析报告。
这个设计取向比较明确：它不是为了炫技，而是为了让数据结果更稳定、更清晰、更容易被接受。
如果用于企业内部汇报、经营分析、商品分析、销售复盘，这种低饱和配色会比高对比度大屏更耐看，也更适合长时间阅读。
七、输出结果是什么样的
最终输出是一份 HTML 文件，例如：
data_report_20260409.html
用户可以直接用浏览器打开，不需要额外安装复杂软件。报告是单文件形式，适合本地保存、发送给同事、嵌入知识库，或者作为阶段性分析结果留档。
相比只输出文字结论，HTML 报告的优势在于它能同时承载“结论、图表、表格、数据背景”。用户既可以快速看总结，也可以往下查看具体数据。
八、这个技能的价值
analyzing-data 的价值不只是“帮用户算数据”，而是提供了一套更完整的数据分析工作流。
它把数据分析拆成几个关键环节：
原始数据进入系统；
系统识别数据结构；
用户确认数据是否正确；
系统根据需求执行分析；
用户确认分析结果；
系统生成可视化报告。
这个流程减少了三个常见问题：
第一，减少数据读错导致的分析偏差。
第二，减少用户需求不清导致的无效分析。
第三，减少分析结果无法汇报的问题。
对普通用户来说，它降低了数据分析门槛。对业务人员来说，它能把日常数据转成更清晰的复盘材料。对 AI 技能体系来说，它可以作为一个标准化的数据分析模块，被嵌入到更复杂的工作流中。
九、边界与异常处理
这个技能也有明确边界。它主要处理结构化或半结构化数据，不适合处理完全没有结构的复杂文档，也不适合承担专业级统计建模、机器学习训练或大型 BI 系统建设。
在异常情况下，它会给出明确反馈。例如文件找不到、格式不支持、数据为空、分析报错，或者缺少 Python 依赖时，会提示对应问题并给出处理方式。
这种失败处理机制很重要，因为数据分析任务很容易受到文件格式、字段质量和运行环境影响。与其假装一切正常，不如在关键节点暴露问题。
十、适合谁使用
analyzing-data 适合以下几类用户：
-
手里有数据文件，但不知道从哪里开始分析的人
-
需要快速完成业务数据复盘的人
-
想把 Excel、CSV、JSON 数据变成可视化报告的人
-
需要将分析结果展示给团队或管理者的人
-
想在 AI 工作流中加入数据分析能力的人
-
希望用标准化流程处理数据分析任务的开发者或技能创作者
它尤其适合那些不想从零写代码，但又希望获得结构化分析结果和可视化报告的用户。
十一、总结
analyzing-data 是一个面向真实业务数据场景的数据分析技能。
它不是简单的文件读取器，也不是单纯的图表生成器，而是一个从数据接收、结构识别、分析确认到 HTML 可视化报告生成的完整流程。
它适合那些手里有数据、但不知道如何快速分析和呈现的人。它的优势不在于复杂建模，而在于把常见数据分析流程标准化、可视化、可确认化。
一句话概括：
analyzing-data 让用户可以把一份原始数据文件，转化为一份结构清晰、结论明确、可以直接展示的可视化分析报告。