钉钉 AI 表格跨表格洞察分析

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 代理 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） --输出 输出文件路径 无（打印到终端） --格式化 输出格式（markdown/json） markdown --limit 每个数据表抽样记录数 100 --no-缓存 禁用缓存，强制刷新 否 --clear-缓存 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

• 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

• dingtalk-AI-table 技能

作用 - MCP 配置管理、数据读取 API 封装 安装 - ClawHub 安装 dingtalk-AI-table 配置 - 详见该技能的配置文档

• 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： /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 ⚠️ 令牌 安全 - MCP 令牌 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 令牌 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 令牌 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/ ├── 技能.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 ├── quick启动.md # 快速开始指南 └── prompt_de签名.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 令牌 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-缓存 强制刷新：--no-缓存 缓存位置：~/.缓存/dingtalk-AI-table-insights/ dingtalk-AI-table 未安装 # 安装依赖技能 ClawHub 安装 dingtalk-AI-table

# 验证安装 ClawHub 列出

读取数据失败 确认 dingtalk-AI-table 技能 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/quick启动.md 依赖说明: references/dependencies.md Prompt 设计: references/prompt_de签名.md 版本历史 v1.6.9 (2026-03-02) ✅ 大模型分析完全修复 - 使用 --代理 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 结果.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 会话s 列出 获取并传递给 代理 📡 --会话-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 会话s 列出 输出 📡 使用 --会话-id - 通过 会话-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 代理 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 代理 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 令牌 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)