钉钉 AI 表格跨表格洞察分析

钉钉 AI 表格跨表格洞察分析。支持按关键词筛选特定业务/项目的 AI 表格，进行综合分析，识别风险点、数据异常、业务洞察。Use when user wants to analyze multiple AI tables by keyword/topic for insights, risks, and ano...

Security Scan

The skill's stated purpose (read-only cross-table analysis of DingTalk AI tables) is plausible, but there are inconsistencies and risky behaviors in the instructions and scripts (undeclared CLI dependencies, shell invocation with user-controlled inputs, and a detected system-prompt-override pattern) that warrant caution before installing or running it with real credentials.

Purpose & Capability

Purpose (cross-table analysis of DingTalk AI tables) aligns with requesting a DingTalk MCP token and depending on dingtalk-ai-table. However the manifest only declares python3 as a required binary while the runtime instructions and scripts also call mcporter and the openclaw CLI (openclaw agent / sessions_send). Those additional CLI tools are necessary for the described functionality but are not listed in required binaries — a documentation/manifest mismatch that should be clarified.

Instruction Scope

SKILL.md and the included scripts perform the expected tasks (list tables, read sheets, sample records, build prompts, call LLMs), but the runtime code uses shell-based mcporter invocations (run_dingtalk_command builds and executes a shell command with interpolated arguments) and subprocess calls. Some arguments originate from user-provided keywords and other inputs — those are embedded into shell strings without clear sanitization, which creates a shell-injection risk. The skill also constructs large prompts and forcibly manipulates LLM outputs (inserting headers/sections), and a prompt-injection pattern ('system-prompt-override') was detected in SKILL.md — this indicates the repo contains content that could attempt to influence LLM/system prompts. The scripts read MCP config files (which can contain tokens) and may access DINGTALK_MCP_CONFIG or default config paths not listed in requires.env.

Install Mechanism

No install spec is provided (instruction-only install), which reduces supply-chain risk from remote downloads. The skill includes two substantial Python scripts in-repo — those will run locally. There are no external archive downloads or obscure URLs in the install docs. Still, the code relies on external CLIs (mcporter, openclaw) that users must install manually; the manifest omission of these tools is noteworthy.

Credentials

The declared primary environment variable DINGTALK_MCP_TOKEN is appropriate for reading DingTalk AI tables. However the scripts also reference and may read DINGTALK_MCP_CONFIG (a config file path) and default MCP config files that can contain server URLs/keys. Those additional env/config accesses are not listed in requires.env. The skill also retains UIDs in some internal summaries (used for stats) per docs; while not a secret, that is additional personal data. Overall credential access is not excessive, but the undeclared config path and potential reading of local config files containing tokens warrant caution.

Persistence & Privilege

The skill is not marked always:true and does not request permanent platform privileges. It appears to run locally and use temporary files and local caches. It does call OpenClaw agent to invoke a large model (normal for its purpose) but it does not claim to modify other skills or system settings.

Scan Findings in Context

[system-prompt-override] unexpected: SKILL.md and the LLM-integration docs include strong system/user prompt templates and explicit instructions that force header/version insertion and sectioning of LLM outputs. The static scanner flagged a system-prompt-override pattern — for a skill that calls an LLM this is suspicious because the repo attempts to control system-level prompt content and to post-process (and enforce) LLM outputs. This is not necessarily malicious, but it increases the attack surface for prompt-injection or for covertly influencing agent/system prompts.

What to consider before installing

What to check before installing or running this skill: 1) Confirm required CLIs and declare them: the scripts call mcporter and the OpenClaw CLI (openclaw agent), but the manifest only lists python3. Install mcporter/openclaw from trusted sources and ensure the skill's docs are updated to list them. 2) Inspect shell command usage: review run_dingtalk_command in scripts/analyze_tables.py — it builds a shell command string with user-supplied arguments and runs it via shell redirection. If you plan to use untrusted keywords or inputs, this is a shell-injection risk. Prefer running in a sandbox or patch the code to use subprocess with argument lists (no shell) and proper escaping. 3) Protect credentials and config: the skill reads MCP config files (DINGTALK_MCP_CONFIG or workspace/default paths). Ensure those config files do not contain unrelated secrets, and do not run the skill with high-privilege tokens. Use a token with minimal read-only scope and consider rotating it after testing. 4) Prompt-injection / LLM behavior: the repo contains templates and code that strongly control system prompts and force inserted headers/sections. If you share this workspace with others or run untrusted inputs, LLM outputs may be manipulated. Review analyze_with_llm.py logic and the prompt templates to ensure they don't accidentally leak sensitive data or override global agent/system prompts. 5) Run in an isolated environment first: test the skill in a disposable workspace or VM with a minimal read-only token and sample data. Verify which files it reads/writes (~/.cache/dingtalk-ai-table-insights/ and temp files) and confirm no unexpected network endpoints are contacted beyond your configured MCP server and OpenClaw. 6) Request fixes from the maintainer (or patch locally): (a) declare mcporter/openclaw in required binaries; (b) avoid shell=True and properly sanitize/escape user inputs; (c) declare DINGTALK_MCP_CONFIG in requires.env if used; (d) remove or clearly document forced system-prompt overrides. If you don't have the skills to audit the code, avoid using this skill with production secrets or run it only with least-privilege test tokens and isolated data.

AI 表格跨表格洞察技能

核心功能

设计理念： 让用户专注特定业务/项目，而非被时间限制。

• 关键词筛选 - 按业务/项目名称筛选相关表格
• 跨表格分析 - 同时分析多个表格，发现关联
• 风险识别 - 自动识别异常和高风险项
• 洞察报告 - 生成可执行的业务建议
• 大模型分析 - 默认使用大模型进行深度分析，发现人眼难以察觉的洞察

使用方法

基本用法

# 业务线分析（默认使用大模型）
python3 scripts/analyze_tables.py --keyword "销售"
python3 scripts/analyze_tables.py --keyword "市场"

# 项目追踪
python3 scripts/analyze_tables.py --keyword "华东项目"

# 职能分析
python3 scripts/analyze_tables.py --keyword "招聘"
python3 scripts/analyze_tables.py --keyword "预算"

# 全局扫描
python3 scripts/analyze_tables.py

# 使用本地模板（不使用大模型）
python3 scripts/analyze_tables.py --keyword "销售" --no-llm

使用场景

场景	关键词	价值
业务线分析	销售 、市场、 客服	专注特定业务的健康度
项目追踪	项目 A、华东区	跟踪特定项目的整体进展
职能分析	招聘 、预算、 采购	职能维度的数据洞察
全量扫描	不指定	全局风险排查

🤖 大模型分析能力

默认启用 - 脚本会自动尝试使用大模型进行深度分析：

• 深度洞察 - 发现数据间的关联和模式
• 智能风险识别 - 基于上下文识别潜在风险
• 个性化建议 - 根据数据特点生成针对性行动建议
• 自然语言报告 - 更流畅、更易读的报告输出

调用方式：

1. 检测 OpenClaw 会话环境
2. 使用 openclaw agent 调用大模型
3. 超时或失败时自动降级

降级方案 - 如果大模型不可用（超时/无响应/环境限制），自动降级使用本地模板生成报告。

手动控制 - 使用 --no-llm 参数强制使用本地模板（更快，但分析深度有限）。

注意 - 大模型分析需要 30-90 秒，取决于数据量和模型响应速度。

分析维度

🔍 数据一致性检查

跨表格对比相同指标，发现矛盾：

• 销售表 vs 财务报表的收入差异
• 项目进度表 vs 周报的完成度不一致
• 客户状态在不同表格中的冲突

💡 趋势洞察

从多个表格中发现关联：

• 招聘增加 → 差旅费上涨
• 项目延期 → 成本超支
• 客户投诉 → 销售下滑

🚨 风险预警

优先关注的问题：

• 高金额订单处于高风险状态
• 关键指标连续恶化
• 资源分配不平衡

📋 行动建议

具体可执行的建议：

• 做什么 + 谁来做 + 何时完成 + 预期结果

脚本参数

参数	说明	默认值
--keyword	表格名称关键词筛选	无（全量）
--output	输出文件路径	无（打印到终端）
--format	输出格式（markdown/json）	markdown
--limit	每个数据表抽样记录数	100
--no-cache	禁用缓存，强制刷新	否
--clear-cache	清除缓存后退出	否
--no-llm	不使用大模型，使用本地模板	否（默认使用大模型）

输出示例

## 📊 AI 表格洞察报告

**筛选关键词**: 销售
**分析表格数**: 5 个
**数据记录数**: 128 条

### 📋 分析范围
- 销售管理表格
- 销售日报
- 销售目标追踪表

### 🚨 风险预警
1. **高优先级**: 3 个大额订单状态"待跟进"超过 72 小时

### 📋 行动建议
- 今天内联系王五，确认 28k 订单进展

依赖说明

🏗️ 架构说明

本技能依赖 dingtalk-ai-table 技能，MCP 配置由该技能统一管理。

dingtalk-ai-table-insights (本技能)
    ↓ 依赖
dingtalk-ai-table (基础技能 - 管理 MCP 配置)
    ↓
钉钉 AI 表格 MCP 服务器

必需依赖

1. dingtalk-ai-table 技能

• 作用 - MCP 配置管理、数据读取 API 封装
• 安装 - clawhub install dingtalk-ai-table
• 配置 - 详见该技能的配置文档

2. 二进制文件

• python3 - Python 3.7+ 运行环境
• mcporter - MCP 客户端工具（与 dingtalk-ai-table 共享配置）

配置说明

⚠️ 重要：保护敏感信息

MCP 配置包含访问令牌，请勿将配置文件发布到公开仓库。

MCP 配置位置： <workspace>/config/mcporter.json

配置责任：

• ✅ dingtalk-ai-table - 负责 MCP 配置
• ✅ dingtalk-ai-table-insights - 复用配置，无需重复配置

环境变量（可选）：

• DINGTALK_MCP_CONFIG - 自定义 MCP 配置文件路径

配置模板：

{
  "mcpServers": {
    "dingtalk-ai-table": {
      "baseUrl": "https://mcp-gw.dingtalk.com/server/YOUR_ID?key=YOUR_KEY"
    }
  }
}

安全建议：

1. 将 config/mcporter.json 添加到 .gitignore
2. 使用配置模板 config/mcporter.json.example 分享配置格式
3. 不要将真实 URL 和 Key 提交到版本控制

权限说明

• 需要钉钉 AI 表格的读取权限
• 仅读取表格数据，不修改任何内容
• 数据仅在分析过程中使用，不存储

权限说明

• 需要钉钉 AI 表格的读取权限
• 仅读取表格数据，不修改任何内容
• 数据仅在分析过程中使用，不存储

安全说明

数据处理

• ✅ 只读操作 - 仅读取表格数据，不修改
• ✅ 本地分析 - 所有分析在本地执行
• ✅ 无数据留存 - 分析结果不上传外部服务
• ⚠️ Token 安全 - MCP token 需妥善保管

权限最小化

• 仅需表格读取权限
• 不需要写入/删除权限
• 不需要用户个人信息

数据抽样

• 每个数据表默认读取前 100 条记录
• 避免大量数据传输
• 降低 token 消耗
• 可通过 --limit 参数调整

大数据量处理（v1.2.0 新增）

• ✅ 分页读取 - 自动使用分页（每页 50 条）处理大数据表
• ✅ 游标支持 - 使用 cursor 参数连续读取所有数据
• ✅ 临时文件 - 使用临时文件避免 JSON 截断问题
• ✅ 自动合并 - 自动合并所有分页数据

限制说明

已知限制

1. 访问记录 - 钉钉无用户访问记录 API，无法按"最近访问"筛选
2. 权限问题 - 部分表格可能因 token 权限无法访问，脚本会优雅跳过
3. 数据量 - v1.2.0 已解决，支持分页读取大数据表

未来规划

• 支持多关键词组合筛选
• 支持正则表达式匹配
• 支持排除关键词
• 钉钉定时推送集成
• 分页读取大数据表（v1.2.0 已实现）

文件结构

dingtalk-ai-table-insights/
├── SKILL.md                          # 技能说明（本文件）
├── scripts/
│   └── analyze_tables.py             # 核心分析脚本
└── references/
    ├── examples.md                   # 使用示例
    ├── quickstart.md                 # 快速开始指南
    └── prompt_design.md              # Prompt 设计指南

故障排查

表格显示"权限不足"

• 检查表格是否已分享给正确的组织
• 确认 MCP token 有效性
• 跳过无权限表格，继续分析其他表格

分析结果为空

• 确认关键词能匹配到表格
• 尝试不使用关键词进行全量扫描
• 检查表格中是否有数据

运行缓慢

• 使用 --keyword 筛选表格
• 减少 --limit 抽样数量
• 分析时间通常 1-3 分钟，取决于表格数量
• 使用缓存可加速表格列表获取（默认 5 分钟）

缓存问题

• 清除缓存：--clear-cache
• 强制刷新：--no-cache
• 缓存位置：~/.cache/dingtalk-ai-table-insights/

dingtalk-ai-table 未安装

# 安装依赖技能
clawhub install dingtalk-ai-table

# 验证安装
clawhub list

读取数据失败

• 确认 dingtalk-ai-table skill 已正确安装
• 检查表格 ID 是否正确
• 确认数据表名称（自动获取，不再硬编码）
• 大数据表 - v1.2.0 已支持分页读取，自动处理

相关资源

• 使用示例: references/examples.md
• 快速开始: references/quickstart.md
• 依赖说明: references/dependencies.md
• Prompt 设计: references/prompt_design.md

版本历史

v1.6.9 (2026-03-02)

• ✅ 大模型分析完全修复 - 使用 --agent main 成功调用 LLM
• 📊 详细数据样本 - 发送每个表格的数据表分布和实际记录样本
• 🔧 JSON 解析增强 - 正确解析 result.payloads[0].text 格式
• 📝 完整 LLM 报告 - 包含深度分析、风险识别、行动建议

v1.6.8 (2026-03-02)

• 🔧 会话 ID 自动获取 - 从 sessions list 获取并传递给 agent
• 📡 --session-id 参数 - 明确指定会话避免路由错误

v1.6.7 (2026-03-02)

• 🔧 调用参数修复 - 使用 --message 长格式（参考 analyze_with_llm.py）
• ⏱️ 超时优化 - 120 秒超时，支持更长分析

v1.6.6 (2026-03-02)

• 🔧 会话 ID 修复 - 正确解析 sessions list 输出
• 📡 使用 --session-id - 通过 session-id 调用大模型

v1.6.5 (2026-03-02)

• 🔧 大模型调用修复 - 添加 -m 参数到 openclaw agent 命令
• 📡 调试信息 - 显示使用的调用方式

v1.6.4 (2026-03-02)

• 📝 数据示例优化 - 跳过系统字段，避免显示 JSON 和复杂数据
• 🔍 字段验证 - 确保提取的内容有意义
• ✅ 更清晰的报告 - 数据示例更易读

v1.6.3 (2026-03-02)

• 🔧 大模型调用优化 - 改进 openclaw agent 调用方式
• 📝 数据示例增强 - 支持更多字段名，避免显示"无"
• ✅ 技术说明准确 - 动态显示实际抽样数量

v1.6.2 (2026-03-02)

• 🎯 数据抽样优化 - 每个数据表最多 100 条（之前 50 条）
• ⚡ 性能提升 - 平衡分析质量与处理速度
• 💾 降低消耗 - 减少 token 使用和内存占用

v1.6.1 (2026-03-02)

• 🎯 分析方式透明化 - 报告中明确显示大模型调用状态
• 📝 错误信息输出 - 大模型失败时在报告中显示具体原因
• 🔧 状态追踪 - analyze_with_llm 返回 (报告，状态) tuple
• ✅ 用户友好 - 无需猜测报告是如何生成的

v1.3.0 (2026-02-28)

• 🎉 大模型分析 - 默认使用大模型进行深度分析
• 🆕 --no-llm 参数 - 可选择使用本地模板
• 🔄 多级降级 - OpenClaw 会话 → MCP 大模型 → 本地模板
• 📝 详细日志 - 改进错误处理和日志输出
• 📄 更新日志 - 新增 CHANGELOG.md

v1.2.0 (2026-02-28)

• ✅ 分页读取 - 支持大数据表分页读取（limit + cursor）
• ✅ 临时文件 - 使用临时文件避免 JSON 截断
• ✅ 自动合并 - 自动合并所有分页数据
• ✅ 修复 - 解决大数据量 JSON 解析失败问题

v1.1.0 (2026-02-28)

• ✅ 自动 Sheet 检测 - 使用 list_base_tables API 获取 Sheet 列表
• ✅ Sheet ID 支持 - 优先使用 Sheet ID，避免中文编码问题
• ✅ 缓存机制 - 表格列表 5 分钟缓存
• ✅ 重试机制 - 网络错误自动重试（最多 3 次）
• ✅ 错误处理 - 区分权限错误和业务错误

v1.0.0 (2025-02-28)

• 初始版本发布
• 技能命名：dingtalk-ai-table-insights
• 支持关键词筛选
• 四维分析框架（一致性、趋势、风险、建议）
• 钉钉 AI 表格 MCP 集成（使用 dingtalk-ai-table skill）