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：

1. 读取CSV，看看都有哪些列
2. 自动识别数字列和分类列
3. 输出描述性统计（均值、中位数、最大最小值）
4. 如果是时间序列，自动按月份聚合
5. 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）

1. 在Claude里创建一个新Project（比如叫“数据分析助手”）
2. 把sales-analyst文件夹拖进Project的“Knowledge”区域
3. 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

1. 在普通对话窗口上传SKILL.md和analyze.py
2. 然后说：“请加载这个数据分析Skill”
3. 上传一个测试CSV文件，说“分析一下”

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：

1. 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。

2. 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。

3. 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。

4. 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。