解锁Claude新高度：10分钟教你定制一个数据分析Skill

先坦白一下，我以前是个“AI指令复读机”。

每次要分析数据，都得跟Claude说一遍：“你是数据分析专家，请帮我分析这个CSV，先做描述性统计，再看分布，最后给出洞察，输出格式用Markdown表格……”翻来覆去，比念咒还累。

直到我发现Skill这个功能，才算是彻底解脱了。今天我用一个真实的例子——定制一个专门处理销售数据的分析Skill，带你走一遍从零到一的全过程。别担心，全程不需要写什么复杂代码，跟着做，10分钟就能跑通。

第一步：先定一个小目标
我要做的这个Skill，功能很明确：当我把一个销售CSV文件丢给Claude，它能自动完成以下操作：

读取CSV，看看都有哪些列
自动识别数字列和分类列
输出描述性统计（均值、中位数、最大最小值）
如果是时间序列，自动按月份聚合
用文字总结关键发现
最重要的是，这些步骤我再也不用手动告诉它了，丢文件说“分析一下”就行。

第二步：搭架子——Skill文件夹
在本地建一个文件夹，名字叫sales-analyst。注意一定要用小写+连字符，别用下划线或空格。

里面放两个文件：

SKILL.md —— 这是Skill的灵魂，全是大写
analyze.py —— 一个简单的Python脚本，用来处理数据（可选，但我建议加上，让分析更精准）
目录结构：

sales-analyst/
├── SKILL.md
└── analyze.py
第三步：写SKILL.md——教Claude怎么干活
打开SKILL.md，粘贴下面这段。我会在注释里解释每一块是干什么的。

---

name:sales-analyst
description:专业销售数据分析助手。当用户上传CSV文件并提到“分析”、“销售”、“数据”时自动激活。

角色

你是一名资深数据分析师，擅长用Python处理销售数据，并输出清晰的商业洞察。

核心任务

当用户上传CSV文件并请求分析时，按以下步骤执行：

1.数据概览：先运行pythonanalyze.py--preview<文件路径>，获取前5行、列名、数据类型。
2.描述性统计：对数字列计算count、mean、std、min、25%、50%、75%、max。
3.时间分析：如果检测到日期列（如order_date），按月份聚合销售额，输出趋势。
4.洞察总结：用3-5句话总结关键发现，包括最高/最低点、异常值、增长趋势。

输出格式

必须使用Markdown，结构如下：
-数据概览（表格）
-描述性统计（表格）
-时间趋势（文字+简单图表，用文字模拟）
-核心洞察（bulletpoints）

注意事项

-如果CSV太大，只取前1000行做演示，并提醒用户。
-如果脚本执行报错，把错误信息告诉用户，不要猜测原因。
-不要输出原始Python代码，只输出分析结果。
这样写的好处是：Claude读到这份指令后，就会严格按照你设定的流程来，而不是自己乱发挥。

第四步：写分析脚本——让Claude有工具可用
analyze.py 不需要太复杂，但要有几个关键功能。我写了一个简单版本，你可以直接复制：

import sys
import pandas as pd
import argparse

def preview_csv(filepath):
"""快速预览CSV信息"""
df = pd.read_csv(filepath, nrows=5)
print("列名:", list(df.columns))
print("数据类型:", df.dtypes.to_dict())
print("\n前5行数据:")
print(df.to_string())

def describe_numeric(filepath):
"""对数值列做描述性统计"""
df = pd.read_csv(filepath)
numeric_cols = df.select_dtypes(include=['number']).columns
if len(numeric_cols) == 0:
print("未找到数值列")
return
stats = df[numeric_cols].describe().round(2)
print(stats.to_markdown())

def monthly_trend(filepath, date_col='order_date', value_col='sales'):
"""按月聚合销售额（假设有日期列）"""
df = pd.read_csv(filepath)
try:
df[date_col] = pd.to_datetime(df[date_col])
df['month'] = df[date_col].dt.to_period('M')
monthly = df.groupby('month')[value_col].sum().reset_index()
print("月份 | 总销售额")
print("---|---")
for _, row in monthly.iterrows():
print(f"{row['month']} | {row[value_col]:,.0f}")
except Exception as e:
print(f"无法进行时间分析: {e}")

if name == "main":
parser = argparse.ArgumentParser()
parser.add_argument("--preview", help="预览CSV文件")
parser.add_argument("--describe", help="对指定CSV做描述统计")
parser.add_argument("--trend", help="分析月度趋势", nargs='?', const='')
args = parser.parse_args()

if args.preview:
preview_csv(args.preview)
elif args.describe:
describe_numeric(args.describe)
elif args.trend:
monthly_trend(args.trend)
else:
print("请指定参数: --preview, --describe, 或 --trend")
注意：这个脚本依赖pandas和argparse，如果你在Claude Code里运行，需要先确保环境有这些包。或者你也可以让Claude在执行前帮你安装：pip install pandas。

第五步：把Skill喂给Claude
有两种方式，我推荐第一种：

方式一：Project法（一劳永逸）

在Claude里创建一个新Project（比如叫“数据分析助手”）
把sales-analyst文件夹拖进Project的“Knowledge”区域
在System Prompt里写一句：“请激活sales-analyst技能，严格按照SKILL.md执行。”
以后只要在这个Project里对话，Claude就会自动加载这个Skill。

方式二：临时上传法

在普通对话窗口上传SKILL.md和analyze.py
然后说：“请加载这个数据分析Skill”
上传一个测试CSV文件，说“分析一下”
人工智能技术学习交流群
伙伴们，对AI测试、大模型评测、质量保障感兴趣吗？我们建了一个 「人工智能测试开发交流群」，专门用来探讨相关技术、分享资料、互通有无。无论你是正在实践还是好奇探索，都欢迎扫码加入，一起抱团成长！期待与你交流！👇

第六步：测试——看看效果
我随手造了一个销售数据sales.csv，列包括：order_date, product, sales, quantity。内容类似这样：

order_date,product,sales,quantity
2025-01-05,笔记本,1200,2
2025-01-12,鼠标,350,5
2025-02-03,键盘,890,1
...
把文件发给Claude，只说了一句：“分析这个销售数据。”

Claude按照Skill的流程，先运行analyze.py --preview sales.csv获取概览，然后对sales和quantity做了描述统计，接着发现日期列，自动做了月度聚合，最后给出洞察。

输出大概是这样的：

数据概览
列名
类型
order_date
object
product
object
sales
int64
quantity
int64
描述性统计
统计量
sales
quantity
count
150
150
mean
876.5
3.2
std
342.1
1.8
min
120
1
25%
450
2
50%
780
3
75%
1150
4
max
2500
10
月度趋势
月份
总销售额
2025-01
24,500
2025-02
31,200
2025-03
28,900
核心洞察
2月份销售额最高，达到31,200，可能是春节促销带动
鼠标产品销量最大，但客单价低；笔记本客单价高但销量少
3月份销量略有回落，建议关注库存
看到了吗？全程我只说了一句话，其他都是Skill自动完成的。

第七步：优化——让Skill更“懂你”
跑通之后，你肯定会想让它更符合自己的需求。这里有几个优化方向：

增加更多分析维度：比如在SKILL.md里加上“如果有地区字段，自动做地区排名”。Claude会根据你的要求，在执行时调用脚本的不同参数。

让脚本更智能：比如自动识别哪一列是销售额、哪一列是日期，不需要硬编码order_date和sales。可以在脚本里加入检测逻辑：寻找包含“date”的列名、包含“sales”的列名。

输出定制化：如果你需要把分析结果发邮件或者生成PPT，可以在SKILL.md里加一句：“分析结束后，询问用户是否生成PDF报告。”然后调用另一个脚本。

处理异常：如果CSV格式不对，或者缺少关键列，让Claude用友好语言提示用户，而不是抛出堆栈错误。

写在最后
从开始创建到第一次运行，你猜我花了多久？不到十分钟。当然，第一次可能要多花几分钟理解结构，但一旦上手，后面再创建其他Skill就快多了。

现在，我每天面对不同的数据文件，再也不用重复解释流程了。一句“分析一下”，Claude自动干活，我喝着咖啡等结果就好。

Skill这个功能，本质上就是把你的“个人经验”固化成AI可以执行的“程序”。你越了解自己的业务，做出来的Skill就越强大。

如果你在做的过程中遇到什么问题，比如脚本权限、路径错误、或者Claude就是不触发Skill，欢迎留言。我把踩过的坑都写在脑子里了，随时可以分享。

开始你的第一个数据分析Skill吧，10分钟就够了。

推荐学习
Ai自动化智能体与工作流平台公开课， 掌握自动化与AI智能体，轻松实现效率翻倍。
扫码进群，报名学习。

关于我们
霍格沃兹测试开发学社，隶属于 测吧（北京）科技有限公司，是一个面向软件测试爱好者的技术交流社区。

学社围绕现代软件测试工程体系展开，内容涵盖软件测试入门、自动化测试、性能测试、接口测试、测试开发、全栈测试，以及人工智能测试与 AI 在测试工程中的应用实践。

我们关注测试工程能力的系统化建设，包括 Python 自动化测试、Java 自动化测试、Web 与 App 自动化、持续集成与质量体系建设，同时探索 AI 驱动的测试设计、用例生成、自动化执行与质量分析方法，沉淀可复用、可落地的测试开发工程经验。

在技术社区与工程实践之外，学社还参与测试工程人才培养体系建设，面向高校提供测试实训平台与实践支持，组织开展 “火焰杯” 软件测试相关技术赛事，并探索以能力为导向的人才培养模式，包括高校学员先学习、就业后付款的实践路径。

同时，学社结合真实行业需求，为在职测试工程师与高潜学员提供名企大厂 1v1 私教服务，用于个性化能力提升与工程实践指导。