钉钉 AI 表格跨表格洞察分析

Other

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 anomalies.

Install

openclaw skills install dingtalk-ai-table-insights

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：

检测 OpenClaw 会话环境
使用 openclaw agent 调用大模型
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：

将 config/mcporter.json 添加到 .gitignore
使用配置模板 config/mcporter.json.example 分享配置格式
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

访问记录 - 钉钉无用户访问记录 API，无法按"最近访问"筛选
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
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

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）

钉钉 AI 表格跨表格洞察分析

Install

AI 表格跨表格洞察技能

核心功能

使用方法

基本用法

使用场景

🤖 大模型分析能力

分析维度

🔍 数据一致性检查

💡 趋势洞察

🚨 风险预警

📋 行动建议

脚本参数

输出示例

依赖说明

🏗️ 架构说明

必需依赖

1. dingtalk-ai-table 技能

2. 二进制文件

配置说明

权限说明

权限说明

安全说明

数据处理

权限最小化

数据抽样

大数据量处理（v1.2.0 新增）

限制说明

已知限制

未来规划

文件结构

故障排查

表格显示"权限不足"

分析结果为空

运行缓慢

缓存问题

dingtalk-ai-table 未安装

读取数据失败

相关资源

版本历史

v1.6.9 (2026-03-02)

v1.6.8 (2026-03-02)

v1.6.7 (2026-03-02)

v1.6.6 (2026-03-02)

v1.6.5 (2026-03-02)

v1.6.4 (2026-03-02)

v1.6.3 (2026-03-02)

v1.6.2 (2026-03-02)

v1.6.1 (2026-03-02)

v1.3.0 (2026-02-28)

v1.2.0 (2026-02-28)

v1.1.0 (2026-02-28)

v1.0.0 (2025-02-28)