Skill 从入门到精通——第四章 Anthropic 官方Skill解析—skill-creator Skill 解析

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

skill-creator/
├── SKILL.md                          # 核心指令文件，完整工作流指令
├── LICENSE.txt                       # 许可证
├── agents/                           # 子代理指令
│   ├── analyzer.md                   # 事后分析代理：盲比较结果归因 + benchmark基准模式分析
│   ├── comparator.md                 # 盲比较代理：对 A/B 输出进行无偏见质量裁决
│   └── grader.md                     # 评分代理：对断言进行 PASS/FAIL 判定，并评判 eval 本身
├── assets/
│   └── eval_review.html              # 触发率评估集审核模板（用户编辑后导出）
├── eval-viewer/
│   ├── generate_review.py            # 评估查看器生成器：扫描workspace、嵌入数据、启动HTTP服务
│   └── viewer.html                   # 查看器前端模板
├── references/
│   └── schemas.md                    # JSON Schema 定义
└── scripts/                          # 可执行脚本集
    ├── __init__.py                   # 空包初始化
    ├── aggregate_benchmark.py        # 基准聚合：从 grading.json 计算 mean/stddev/delta
    ├── generate_report.py            # HTML 报告生成：为描述优化循环输出可视化
    ├── improve_description.py        # 描述优化：基于 eval 结果调用 Claude 生成改进描述
    ├── package_skill.py              # 打包器：验证 + 压缩为 `.skill` 分发文件（ZIP 格式）
    ├── quick_validate.py             # 快速校验：YAML frontmatter 合法性、命名规范、长度限制
    ├── run_eval.py                   # 触发评估：通过 `claude -p` 测试 description 触发准确率
    ├── run_loop.py                   # 优化主循环：train/test 拆分评估 + 多轮迭代 + 自动报告
    └── utils.py                      # 共享工具：解析frontmatter 的 name/description

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44

---
name: skill-creator                          # 【元数据】Skill标识符
description: Create new skills...           # 【元数据】触发机制（最重要！）
---

# Skill Creator                              # 【正文】标题

## 总体介绍                                  # 【正文】哲学与流程

## Communicating with the user               # 【正文】沟通风格指南

## Creating a skill                          # 【正文】创建流程
  ### Capture Intent                          # 捕捉意图
  ### Interview and Research                  # 调研访谈
  ### Write the SKILL.md                      # 编写指南
    #### Anatomy of a Skill                  # 目录结构
    #### Progressive Disclosure                # 渐进式披露
    #### Principle of Lack of Surprise         # 安全原则
    #### Writing Patterns                    # 写作模式
  ### Test Cases                              # 编写2-3条实际场景的测试用例，进入下一步运行评测

## Running and evaluating test cases         # 【正文】评测执行
  ### Step 1: Spawn all runs                 # 并行启动
  ### Step 2: Draft assertions               # 起草断言
  ### Step 3: Capture timing                 # 捕获计时
  ### Step 4: Grade, aggregate, launch       # 评分聚合
  ### What the user sees                     # 用户视角
  ### Step 5: Read feedback                  # 读取用户反馈

## Improving the skill                       # 【正文】改进循环
  ### How to think about improvements        # 改进哲学
  ### The iteration loop                     # 迭代流程

## Advanced: Blind comparison                # 【正文】盲测对比

## Description Optimization                  # 【正文】描述优化
  ### Step 1: Generate trigger evals         # 生成触发评测
  ### Step 2: Review with user               # 用户审查
  ### Step 3: Run optimization loop          # 运行优化循环
  ### Step 4: Apply result                   # 应用结果

## Claude.ai-specific instructions           # 【正文】Claude.ai平台适配
## Cowork-Specific Instructions              # 【正文】Cowork平台适配
## Reference files                           # 【正文】参考文件索引

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

[用户] "帮我创建一个处理 CSV 数据清洗的技能"
    │
    ▼
[skill-creator] 触发
    │
    ├──► 1. Capture Intent（捕捉意图）
    │       └── 确认 4 个核心问题：
    │           - 这个技能应让 Claude 做什么？
    │           - 何时触发？（用户表述关键词）
    │           - 期望输出格式？
    │           - 是否需要测试用例验证技能是否有效？
    │
    ├──► 2. Interview & Research（访谈和研究）
    │       ├── 主动询问边界情况（edge cases）、输入/输出格式、示例文件、成功标准和依赖关系
    │       ├── 检查可用 MCP（如需要搜索文档）
    │       └── 并行调研（通过子代理subagent）
    │
    ├──► 3. Write SKILL.md （编写SKILL.md）
    │       ├── name: 技能标识符
    │       ├── description: 包含触发关键词 + "pushy"策略
    │       ├── 编写 Markdown body（指令式语气）
    │       └── 遵循 Progressive Disclosure（<500 行）
    │
    ├──► 4. Generate Test Cases （生成测试用例）
    │       └── 写入 evals/evals.json（仅 prompts，无 assertions）
    │
    └──► 5. 进入【运行和评估测试】

1
2
3
4
5
6
7
8

skill-name/
├── SKILL.md          (必须)
│   ├── YAML frontmatter (name, description 必填)
│   └── Markdown 指令正文
└── Bundled Resources (可选)
    ├── scripts/      可执行代码（处理确定性/重复性任务）
    ├── references/   按需加载的文档
    └── assets/       输出中使用的文件（模板、图标、字体）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

{
  "skill_name": "example-skill",
  "evals": [
    {
      "id": 1,
      "prompt": "User's example prompt",                   # 待执行的任务指令
      "expected_output": "Description of expected result", # 通俗易懂的成功结果描述
      "files": ["evals/files/sample1.pdf"],    # 可选输入文件路径列表（路径相对技能根目录）
      "expectations": [    # 可校验的判定条件列表。暂时不要写断言，在下一步运行测试的过程中编写断言。

      ]
    }
  ]
}

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

{
  "skill_name": "示例技能",
  "evals": [
    {
      "id": 1,
      "prompt": "用户示例指令",
      "expected_output": "预期结果说明",
      "files": ["evals/files/sample1.pdf"],
      "expectations": [
        "输出内容包含内容X",
        "该技能调用了脚本Y"
      ]
    }
  ]
}

1
2
3
4
5

{
  "total_tokens": 84852,
  "duration_ms": 23332,
  "total_duration_seconds": 23.3
}

1
2
3
4
5
6
7
8

{
  "reviews": [
    {"run_id": "eval-0-with_skill", "feedback": "图表缺少坐标轴标签", "timestamp": "..."},
    {"run_id": "eval-1-with_skill", "feedback": "", "timestamp": "..."},
    {"run_id": "eval-2-with_skill", "feedback": "完美，我喜欢", "timestamp": "..."}
  ],
  "status": "complete"
}

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

<skill-name>-workspace/            # 与 skill 目录同级
├── iteration-1/
│   ├── eval-descriptive-name-1/   # 每个评测用例一个目录
│   │   ├── with_skill/
│   │   │   ├── outputs/           # Skill 版本的输出文件
│   │   │   ├── grading.json       # 评分结果
│   │   │   └── timing.json        # 计时数据
│   │   ├── without_skill/         # 基线版本
│   │   │   ├── outputs/
│   │   │   ├── grading.json
│   │   │   └── timing.json
│   │   └── eval_metadata.json     # 评测元数据 + 断言
│   ├── eval-descriptive-name-2/
│   │   └── ...
│   ├── benchmark.json             # 本轮聚合统计
│   ├── benchmark.md               # 人类可读报告
│   └── feedback.json              # 用户反馈
├── iteration-2/
│   └── ...（同上结构）
└── skill-snapshot/                 # 改进现有 Skill 时保留的原始快照

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

生成 20 条评估查询
    ├── 8-10 条 should-trigger（覆盖不同表述、隐含需求、竞争场景）
    └── 8-10 条 should-not-trigger（近义词干扰、相邻领域、歧义表述）
        │
        ▼
用户审查（HTML 交互编辑）
        │
        ▼
运行优化循环（scripts/run_loop.py）
    ├── 60% train / 40% test 分割
    ├── 每条查询运行 3 次计算可靠触发率
    ├── Claude 基于失败案例提出 description 改进
    ├── 最多 5 次迭代
    └── 选择 test 集表现最好的 description（非 train，防过拟合）
        │
        ▼
应用最优 description 到 SKILL.md frontmatter

1
2
3

Skill A ──► Output A ──┐
                       ├──► Comparator Agent（匿名评分）──► Analysis Agent（归因改进）
Skill B ──► Output B ──┘

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

Level 1: Metadata（始终加载）
    ├── name: "skill-creator"
    └── description: 100 token左右的触发描述

Level 2: SKILL.md Body（触发时加载）
    ├── 完整工作流指令（<500 行）
    └── 仅在用户表达相关意图时进入上下文

Level 3: Bundled Resources（按需加载）
    ├── agents/*.md（需要评分/对比/分析时读取）
    ├── references/schemas.md（需要查数据结构时读取）
    └── scripts/*.py（执行时不加载到上下文，直接运行）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

evals.json          ─── 定义测试用例（prompt + expectations）
    │
    ▼
timing.json         ─── 运行计时（来自子 Agent 完成通知）
    │
    ▼
metrics.json        ─── 执行指标（工具调用次数、文件数等）
    │
    ▼
grading.json        ─── 评分结果（断言通过/失败 + 证据，字段名严格：text/passed/evidence）
    │
    ▼
benchmark.json      ─── 聚合统计（with_skill vs without_skill 的 mean/stddev/delta）
    │
    ▼
feedback.json       ─── 用户定性反馈（reviews 数组）
	│
    ▼
comparison.json     ─── 盲比较结果（A/B 评分 + 赢家）
    │
    ▼
analysis.json       ─── 事后分析（改进建议 + 执行模式洞察）
    │
    ▼
history.json        ─── 版本追踪（迭代历史 + 当前最佳）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

def run_loop(eval_set, skill_path, max_iterations=5, holdout=0.4, ...):
    # 划分训练集/测试集（防止过拟合）
    train_set, test_set = split_eval_set(eval_set, holdout)

    for iteration in range(1, max_iterations + 1):
        # 评估当前description
        results = run_eval(all_queries, current_description)

        # 分离train/test结果
        train_results = [r for r in results if r.query in train_set]
        test_results = [r for r in results if r.query not in train_set]

        # 早停条件：train全部通过
        if train_failed == 0:
            break

        # 基于train结果改进description（**看不到test结果，防止过拟合**）
        new_description = improve_description(
            eval_results=train_results,  # 只给train结果！
            history=blinded_history       # 隐藏test分数的历史
        )
        current_description = new_description

    # 选择最佳description（按test分数，而非train分数）
    best = max(history, key=lambda h: h["test_passed"])
    return best["description"]

1
2
3
4

"The description competes with other skills for Claude's attention 
— make it distinctive and immediately recognizable."

（描述要与其他 Skill 竞争 Claude 的注意力——让它独特且一眼可识别。）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

用户定义测试用例 (evals.json)
    ↓
Claude 并行执行（with_skill vs without_skill）
    ↓
Grader 对执行结果评分 → grading.json
    ↓
aggregate_benchmark.py 聚合 → benchmark.json + benchmark.md
    ↓
Analyzer 分析 → 发现隐藏模式
    ↓
generate_review.py + viewer.html → 可视化界面
    ↓
用户查看并留下反馈 → feedback.json
    ↓
Claude 读取反馈并改进 Skill
    ↓
[循环回到第一步]

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

{
  "skill_name": "example-skill",
  "evals": [
    {
      "id": 1,                              #唯一整型标识
      "prompt": "用户的任务提示（真实场景）",   #待执行的任务指令
      "expected_output": "预期结果的描述",    #用通俗文字描述预期达标效果
      "files": ["evals/files/sample1.pdf"], #可选，输入文件路径列表（路径相对于技能根目录）
      "expectations": [                     #可核验的判定条目列表
        "输出包含X",
        "Skill使用了脚本Y"
      ]
    }
  ]
}

  1
  2
  3
  4
  5
  6
  7
  8
  9
 10
 11
 12
 13
 14
 15
 16
 17
 18
 19
 20
 21
 22
 23
 24
 25
 26
 27
 28
 29
 30
 31
 32
 33
 34
 35
 36
 37
 38
 39
 40
 41
 42
 43
 44
 45
 46
 47
 48
 49
 50
 51
 52
 53
 54
 55
 56
 57
 58
 59
 60
 61
 62
 63
 64
 65
 66
 67
 68
 69
 70
 71
 72
 73
 74
 75
 76
 77
 78
 79
 80
 81
 82
 83
 84
 85
 86
 87
 88
 89
 90
 91
 92
 93
 94
 95
 96
 97
 98
 99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129

┌─────────────────────────────────────────────────────────────────────┐
│                        用户触发 Skill                               │
│   例："帮我创建一个处理 CSV 数据清洗的技能"                          │
└──────────────────────────────┬──────────────────────────────────────┘
                               │
                               ▼
┌─────────────────────────────────────────────────────────────────────┐
│ 阶段 1：意图捕获（Capture Intent）                                   │
│                                                                     │
│  Claude 询问确认4个核心问题：：                                            │
│  1. 这个技能应让 Claude 做什么？                                        │
│  2. 何时触发？（用户表述关键词）                                         │
│  3. 期望输出格式？                                                │
│  4. 是否需要测试用例验证技能是否有效？                                    │
│                                                                     │
│  如果当前对话中已有工作流，直接从中提取信息                               │
└──────────────────────────────┬──────────────────────────────────────┘
                               │
                               ▼
┌─────────────────────────────────────────────────────────────────────┐
│ 阶段 2：深度访谈与调研（Interview and Research）                       │
│                                                                     │
│  - 主动询问边界情况（edge cases）、输入/输出格式、示例文件、成功标准和依赖关系 │
│  - 检查可用 MCP 工具（如需要搜索文档）                                    │
│  - 并行调研（通过子代理subagent）                                        │
└──────────────────────────────┬──────────────────────────────────────┘
                               │
                               ▼
┌─────────────────────────────────────────────────────────────────────┐
│ 阶段 3：编写 SKILL.md 草稿                                           │
│                                                                     │
│  根据访谈结果填写：                                                    │
│  - name: skill 标识符                                                │
│  - description: 触发描述（稍微激进以对抗触发不足）                       │
│  - 编写 Markdown body（指令正文）：步骤、示例、注意事项                   │
│  - 如需要：创建 scripts/、references/、assets/ 等辅助文件               │
└──────────────────────────────┬──────────────────────────────────────┘
                               │
                               ▼
┌─────────────────────────────────────────────────────────────────────┐
│ 阶段 4：生成测试用例                                                  │
│                                                                     │
│  - 构思 2-3 个真实的用户 prompt                                       │
│  - 与用户确认测试用例是否合适                                           │
│  - 保存到 evals/evals.json（仅 prompts，无 assertions）                │
└──────────────────────────────┬──────────────────────────────────────┘
                               │
                               ▼
┌─────────────────────────────────────────────────────────────────────┐
│ 阶段 5：运行测试（五步评测法）                                         │
│                                                                     │
│  ┌──────────────────────────────────────────────────────────┐       │
│  │ Step 1: 并行启动所有测试运行                               │       │
│  │                                                          │       │
│  │   测试用例 1 ──┬── with_skill 子代理 ──▶ outputs/        │       │
│  │               └── baseline 子代理   ──▶ outputs/        │       │
│  │   测试用例 2 ──┬── with_skill 子代理 ──▶ outputs/        │       │
│  │               └── baseline 子代理   ──▶ outputs/        │       │
│  │   测试用例 3 ──┬── with_skill 子代理 ──▶ outputs/        │       │
│  │               └── baseline 子代理   ──▶ outputs/        │       │
│  └──────────────────────────────────────────────────────────┘       │
│                         │（同时进行）                                  │
│  ┌──────────────────────────────────────────────────────────┐       │
│  │ Step 2: 在等待期间起草量化断言                              │       │
│  │  - 编写可客观验证的检查项                                    │       │
│  │  - 更新 eval_metadata.json 和 evals.json                  │       │
│  └──────────────────────────────────────────────────────────┘       │
│                         │                                           │
│  ┌──────────────────────────────────────────────────────────┐       │
│  │ Step 3: 子代理完成时立即捕获 timing 数据                    │       │
│  │  - total_tokens, duration_ms → timing.json                │       │
│  └──────────────────────────────────────────────────────────┘       │
│                         │                                           │
│  ┌──────────────────────────────────────────────────────────┐       │
│  │ Step 4: 评分 → 聚合 → 分析 → 启动可视化                    │       │
│  │                                                          │       │
│  │  4a. 评分代理(grader.md) → grading.json                   │       │
│  │  4b. aggregate_benchmark.py → benchmark.json              │       │
│  │  4c. 分析代理(analyzer.md) → 检查模式洞察                      │       │
│  │  4d. generate_review.py → 浏览器评审页面                   │       │
│  └──────────────────────────────────────────────────────────┘       │
│                         │                                           │
│  ┌──────────────────────────────────────────────────────────┐       │
│  │ Step 5: 用户在浏览器中查看结果、编写反馈                     │       │
│  │  - 点击 "Submit All Reviews" → feedback.json              │       │
│  └──────────────────────────────────────────────────────────┘       │
└──────────────────────────────┬──────────────────────────────────────┘
                               │
                               ▼
┌─────────────────────────────────────────────────────────────────────┐
│ 阶段 6：迭代改进（核心循环）                                          │
│                                                                     │
│  ┌────────────────────────────────────┐                             │
│  │ 读取 feedback.json                 │                             │
│  │ 聚焦有具体投诉的测试用例            │                             │
│  │ 遵循四大原则改进 SKILL.md           │                             │
│  └─────────────┬──────────────────────┘                             │
│                │                                                    │
│                ▼                                                    │
│  ┌────────────────────────────────────┐                             │
│  │ 重新运行所有测试 → iteration-N+1/  │                             │
│  │ 启动评审（--previous-workspace）   │                             │
│  │ 等待用户反馈                       │                             │
│  └─────────────┬──────────────────────┘                             │
│                │                                                    │
│                ▼                                                    │
│        用户满意？ ──── 否 ──▶ 回到循环顶部                            │
│            │                                                        │
│           是                                                        │
│            │                                                        │
└────────────┼────────────────────────────────────────────────────────┘
             │
             ▼
┌─────────────────────────────────────────────────────────────────────┐
│ 阶段 7：描述优化（可选）                                              │
│                                                                     │
│  1. 生成 20 条触发评估查询（应触发 + 不应触发）                         │
│  2. 用户审核（assets/eval_review.html）                               │
│  3. python -m scripts.run_loop（自动化优化循环，最多 5 轮）             │
│  4. 应用最佳描述到 SKILL.md                                          │
└──────────────────────────────┬──────────────────────────────────────┘
                               │
                               ▼
┌─────────────────────────────────────────────────────────────────────┐
│ 阶段 8：打包发布                                                      │
│                                                                     │
│  python -m scripts.package_skill <path/to/skill-folder>             │
│  → 输出 .skill 文件（zip 格式）                                       │
└─────────────────────────────────────────────────────────────────────┘

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

evals.json (手动编写)
    │
    ▼
[并行测试运行]
    │
    ├──▶ outputs/（各测试用例的输出文件）
    ├──▶ evals/evals.json（仅 prompts，无 assertions）
    ├──▶ eval_metadata.json（每个测试用例的元数据 + 断言）
    └──▶ timing.json（每次运行的计时数据）
           │
           ▼
    [评分代理]
           │
           └──▶ grading.json（各断言通过/失败 + 证据）
                     │
                     ▼
              [aggregate_benchmark.py]
                     │
                     ├──▶ benchmark.json（结构化统计数据）
                     └──▶ benchmark.md（人类可读报告）
                               │
                               ▼
                     [generate_review.py]
                               │
                               └──▶ 浏览器评审页面
                                         │
                                         ▼
                               feedback.json（用户反馈）
                                         │
                                         ▼
                               [改进 SKILL.md → 新一轮迭代]

1
2
3

我想创建一个 Skill，用于把用户提供的 CSV 数据自动清洗后生成带图表的 Excel 报告。
清洗规则包括：去除空行、标准化日期格式、检测异常值。
图表需要自动判断最合适的类型（柱状图/折线图/饼图）。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

{
  "reviews": [
    {
      "run_id": "sales-eval-with_skill",
      "feedback": "",
      "timestamp": "2026-05-16T06:19:12.803Z"
    },
    {
      "run_id": "sales-eval-without_skill",
      "feedback": "",
      "timestamp": "2026-05-16T06:19:12.803Z"
    },
    {
      "run_id": "category-eval-with_skill",
      "feedback": "",
      "timestamp": "2026-05-16T06:19:12.803Z"
    },
    {
      "run_id": "category-eval-without_skill",
      "feedback": "",
      "timestamp": "2026-05-16T06:19:12.803Z"
    },
    {
      "run_id": "employee-eval-with_skill",
      "feedback": "",
      "timestamp": "2026-05-16T06:19:12.803Z"
    },
    {
      "run_id": "employee-eval-without_skill",
      "feedback": "",
      "timestamp": "2026-05-16T06:19:12.803Z"
    }
  ],
  "status": "complete"
}

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67

---
name: csv-excel-report
description: >
  自动将用户提供的 CSV 数据清洗后生成带图表的 Excel 报告。
  当用户提到 CSV 清洗、CSV 转 Excel、数据清洗报告、自动图表、异常值检测、日期格式标准化、生成 Excel 报告、数据可视化报告时，务必使用此 Skill。
  即使用户没有明确说 "CSV"，只要涉及"把数据清洗后做成 Excel 报告"或"给数据加图表"，也应使用此 Skill。
compatibility: Python 3, pandas, openpyxl
---

# CSV 清洗与 Excel 报告生成

## 目标

帮助用户将 CSV 数据自动清洗并生成结构化的 Excel 报告，包含：
- 清洗后的数据（去除空行、标准化日期格式）
- 统计摘要（异常值统计等）
- 自动选择的图表（柱状图 / 折线图 / 饼图）

## 工作流程

1. **读取 CSV**：使用 pandas 读取用户提供的 CSV 文件。
2. **数据清洗**：
   - 去除完全为空的行（`dropna(how="all")`）。
   - 去除所有非空值仅为空白字符的行。
   - 标准化日期格式：检测日期列（≥50% 的值可解析为日期），统一转为 `YYYY-MM-DD` 格式。
   - 异常值检测：对数值型列使用 IQR 法（1.5×四分位距）标记异常值。
3. **生成 Excel 报告**：
   - Sheet 1 `清洗后数据`：包含清洗后的全部数据，异常值单元格以红色背景高亮。
   - Sheet 2 `统计摘要`：包含行数、日期列列表、各列异常值数量。
   - Sheet 3 `图表`：根据数据特征自动选择最合适的图表类型嵌入。
4. **图表自动选择规则**：
   - 若 X 轴列 ≥70% 为日期 → **折线图**
   - 若 X 轴为离散类别且类别数 ≤10 → **饼图**
   - 其他情况 → **柱状图**

## 使用方法

优先使用 bundled 脚本 `scripts/generate_report.py`：

```bash
python scripts/generate_report.py <input.csv> <output.xlsx>
```

如果环境未安装依赖，先安装：

```bash
pip install pandas openpyxl
```

如果用户的数据需要额外定制（如自定义异常值阈值、指定图表类型、多列同时绘图），可以基于脚本逻辑修改或重写 Python 代码。

## 输出格式

生成的 `.xlsx` 文件包含以下工作表：

| Sheet 名称 | 内容 |
|---|---|
| 清洗后数据 | 清洗后的数据表，表头蓝色背景，异常值红色高亮 |
| 统计摘要 | 数据概览：行数、日期列、异常值统计 |
| 图表 | 自动生成的图表（折线/柱状/饼图） |

## 注意事项

- 日期检测支持多种常见格式：`YYYY-MM-DD`、`YYYY/MM/DD`、`DD-MM-YYYY`、`DD/MM/YYYY` 等。
- 异常值仅做高亮标记，不会删除原始数据。
- 图表自动选择基于第一组合适的列（优先非数值列作为 X 轴，数值列作为 Y 轴）。
- 如果数据中没有合适的数值列，图表 Sheet 会显示提示信息。

1
2

我已经有一个处理 PDF 的 Skill，但发现它在处理扫描版 PDF 时经常失败。
请帮我运行一些测试，找出问题所在，并改进 Skill 的指令或添加辅助脚本。

1
2

我优化了我的 xlsx-skill，想确认新版本是否真的比旧版本更好。
请帮我做一组盲测对比，看看在相同的 5 个测试用例上，新版和旧版谁的表现更好。

1
2

我发现我的 dashboard-skill 有时候用户提到"数据可视化"时不会被触发。
请帮我优化 SKILL.md 里的 description，提高触发准确率。

1

我的 Skill 已经测试好了，请帮我打包成 .skill 文件，。