Claude Excel Skill 核心设计拆解:大模型工具化范本

曾火遍圈的 “氛围感编程”，让很多人误以为大模型开发只是简单拼接口、写 Function Call。

但 Anthropic 官方开源的 Claude Excel Skill，却撕开了大模型工具化落地的真实答案 ——好的大模型技能，从不是堆代码，而是把领域专家的经验，变成可执行的规约与闭环。

这份看似轻量的源码，没有任何花里胡哨的框架，仅凭一份结构精良的说明文档 + 少量配套脚本，就完美实现大模型与 Excel 的高效交互，更把如何打造优质 Claude Skill的底层逻辑讲得明明白白。

核心架构围绕行为规约、反例调教、Token 优化、错误自愈、结果校验五大核心设计，形成从生成到验证的完整工程化链路，成为大模型实体文件交互的绝佳参考。

关键框架

核心目录：

01、在 SKILL.md 中描述“行为规约层”：零公式错误的铁律02、用反例教学：用错误代码“调教”模型03、为了省 Token 的“探针”设计04、错误处理的“反弹机制05、用 LibreOffice + recalc.py 做“结果兜底校验闭环”

核心设计要点全解析

01 行为规约层：用 SKILL.md 定义零公式错误铁律

01

节选：

### Zero Formula Errors- Every Excel model MUST be delivered with ZERO formula errors (#REF!, #DIV/0!, #VALUE!, #N/A, #NAME?)### Formula Construction Rules#### Assumptions Placement- Place ALL assumptions in separate assumption cells- Use cell references instead of hardcoded values in formulas- Example: Use =B5*(1+$B$6) instead of =B5*1.05#### Formula Error Prevention- Verify all cell references are correct- Check for off-by-one errors in ranges- Ensure consistent formulas across all projection periods- Test with edge cases (zero values, negative numbers)- Verify no unintended circular references### Formula Verification Checklist- **Test 2-3 sample references**: Verify they pull correct values before building full model- **Row offset**: Excel rows are 1-indexed (DataFrame row 5 = Excel row 6)- **Division by zero**: Check denominators before using `/` in formulas (#DIV/0!)- **Cross-sheet references**: Use correct format (Sheet1!A1) for linking sheets

源码：

# ❌ WRONG - Hardcoding Calculated Values# Bad: Calculating in Python and hardcoding resulttotal = df['Sales'].sum()sheet['B10'] = total  # Hardcodes 5000# Bad: Computing growth rate in Pythongrowth = (df.iloc[-1]['Revenue'] - df.iloc[0]['Revenue']) / df.iloc[0]['Revenue']sheet['C5'] = growth  # Hardcodes 0.15# ✅ CORRECT - Using Excel Formulas# Good: Let Excel calculate the sumsheet['B10'] = '=SUM(B2:B9)'# Good: Growth rate as Excel formulasheet['C5'] = '=(C4-C2)/C2'

打破常规 read_excel 全量读取的思维，设计极致克制的 Excel 读取逻辑，兼顾效率与信息完整性：

源码：

# 这是一个 Tool 定义的抽象逻辑def inspect_sheet_head(filepath, sheet_name, n_rows=5):    """    Reads the first n_rows of the sheet to understand structure.    Crucial: Converts output to Markdown Table for LLM readability.    """    df = pd.read_excel(filepath, sheet_name=sheet_name, nrows=n_rows)    # 重点：转化为 LLM 最容易理解的 Markdown 格式，且只给表头和前几行    return df.to_markdown(index=False)

区别于传统程序给开发者看的 Stack Trace 报错，专为 LLM 设计可理解、可行动的错误反馈逻辑：

源码：

try:    result = exec(generated_pandas_code)    return resultexcept KeyError as e:    # 不只是返回 Error，而是返回“引导性”错误信息    return f"Error: Column {e} not found. Please check column names using `inspect_sheet` and retry."except Exception as e:    return f"Execution failed: {str(e)}. Review your code logic."

示例：

python recalc.py output.xlsx 30The script:- Automatically sets up LibreOffice macro on first run- Recalculates all formulas in all sheets- Scans ALL cells for Excel errors (#REF!, #DIV/0!, etc.)- Returns JSON with detailed error locations and countsExample output:{  "status": "success", // or "errors_found"  "total_errors": 0,   // Total error count  "total_formulas": 42,  "error_summary": {   // Only present if errors found    "#REF!": {      "count": 2,      "locations": [        "Sheet1!B5",        "Sheet1!C10"      ]    }  }}

• 工具报错要「面向 AI 设计」，将异常转化为下一步行动建议，而非冰冷的技术栈信息，赋予模型自愈能力；