- name
- system-data-intelligence
- description
- >
- IMPORTANT
- 只要涉及文件操作、数据分析、可视化中的任何一项，必须使用此 skill。
System Data Intelligence Skill
🔍 快速决策树
收到任务时，先判断类型：
用户任务
├─ 涉及文件/应用操作？
│ ├─ Windows → 走 [WIN-PATH]
│ ├─ macOS → 走 [MAC-PATH]
│ └─ Linux → 走 [LINUX-PATH]
├─ 纯数据分析（已有数据）？→ 走 [ANALYSIS-PATH]
└─ 数据可视化？→ 走 [VIZ-PATH]遇到组合型任务（最常见）：先读文件 → 再分析 → 最后可视化。
[WIN-PATH] Windows 系统接口调用
优先级顺序
- Python + win32com（Excel/Word/WPS 首选，功能最全）
- PowerShell + COM（系统级操作，无需 Python 环境）
- openpyxl / python-docx（离线解析，不依赖应用程序）
- pywinauto（GUI 自动化，万不得已时使用）
Excel / WPS Spreadsheet
# 执行: python scripts/win_excel_reader.py <filepath> [sheet_name]Word / WPS Writer
# 执行: python scripts/doc_parser.py <filepath>关键注意点
- 操作完成后必须调用
Quit()释放 COM 进程 - WPS 的 COM 名称：
"KET.Application"（表格）/"KWPS.Application"（文字） - 大文件（>50MB）使用
openpyxl的read_only=True模式
详细 API 手册 → references/windows-api.md
[MAC-PATH] macOS 系统接口调用
优先级顺序
- Python + xlwings（Excel for Mac 首选）
- AppleScript / JXA（系统原生，稳定可靠）
- python-docx / openpyxl（离线解析）
- subprocess + osascript（调用系统命令）
Excel for Mac
# 执行: python scripts/mac_excel_reader.py <filepath> [sheet_name]关键注意点
- 首次调用 AppleScript 需要「辅助功能」授权
- 提示用户在「系统设置 → 隐私与安全性 → 辅助功能」开启权限
详细 API 手册 → references/macos-api.md
[LINUX-PATH] Linux 系统接口调用
优先级顺序
- openpyxl / python-docx（Excel/Word 首选，无需应用程序）
- LibreOffice headless（老格式 .doc/.xls 转换）
- pandas + xlrd（旧版 Excel 离线解析）
- pdfplumber / pymupdf（PDF 提取）
Excel / CSV 数据
# 执行: python scripts/doc_parser.py <filepath>
# 支持 .xlsx .xls .xlsm .csv （无需 Office）老格式转换（.doc / .xls）
# LibreOffice headless 转换为现代格式
libreoffice --headless --convert-to xlsx input.xls --outdir /tmp/
libreoffice --headless --convert-to docx input.doc --outdir /tmp/关键注意点
- Linux 无 COM/AppleScript，一律用 Python 库离线解析
- 老格式文件先用 LibreOffice headless 转换再读取
- 中文内容需要安装 CJK 字体：
sudo apt install fonts-noto-cjk
详细 API 手册 → references/linux-api.md
[ANALYSIS-PATH] 数据深度分析
分析层次（从浅到深）
Level 1: 描述性分析 → 数据现状是什么？（均值、分布、缺失率）
Level 2: 诊断性分析 → 为什么会这样？（相关性、异常根因）
Level 3: 预测性分析 → 未来会怎样？（趋势、预测模型）
Level 4: 规范性分析 → 应该怎么做？（优化建议、决策支持）标准分析流水线
# 执行完整分析
# python scripts/deep_analyzer.py <csv_or_excel_path> [date_col] [value_col]脚本输出：
outputs/analysis_result.json— 结构化分析报告outputs/summary.md— 文字洞察摘要
详细分析模式 → references/viz-patterns.md
[VIZ-PATH] 数据可视化
图表选型
数据关系类型
├─ 时间趋势 → 折线图 / 面积图
├─ 类别比较 → 柱状图 / 条形图 / 雷达图
├─ 部分与整体 → 饼图 / 旭日图 / 树状图
├─ 分布情况 → 箱线图 / 直方图 / 小提琴图
├─ 相关关系 → 散点图 / 热力图
└─ 多维关系 → 平行坐标 / 桑基图可视化执行
# 生成交互式仪表盘
# python scripts/viz_engine.py <analysis_result.json> <output_dir>输出：report.html（交互版）+ charts/*.png（静态版）
图表模板与最佳实践 → references/viz-patterns.md
⚡ 自动文件格式检测
不确定文件格式时，使用统一入口：
from scripts.doc_parser import detect_and_load
df = detect_and_load("/path/to/any/file")支持格式：.xlsx .xls .xlsm .et .docx .doc .wps .txt .md .rtz .csv .json
📤 输出规范
每次任务完成必须输出：
- 数据摘要卡片（≤5 行关键洞察，Markdown 格式）
- 可视化文件（HTML 交互版 + PNG 静态版）
- 结构化数据（JSON / CSV，供后续使用）
- 操作日志（记录调用接口与数据量）
输出路径：outputs/report_YYYYMMDD_HHMMSS/
💡 心法
不要问用户想要什么格式——直接给最好的那个。 收到文件就分析，分析完就可视化，可视化完就生成报告。 每一步都留下日志，每一步都输出可下载文件。 用户说「分析一下」，你就给他一份完整的数据故事。