AI 读 Excel 错 161% 都不报错?huashu-excel:先体检再对账,算不对不交差

先看一个吓人的场景

把一份乱七八糟的 Excel 丢给 AI 分析，会发生什么？

假设表里：标题占了第一行、表头有两级、地区列用了合并单元格、金额带千分位、中间夹着一行「华东小计」、表格尾巴还有三行「合计/占比/同比」。

你问它：「1 月总销售额是多少？」

主流 AI 工具的做法是 pd.read_excel() 一把读进来，再求和。

结果呢？算出来 34,893,234，真值是 13,367,767，误差 +161%。

更可怕的是：全程零报错、零 NaN、零警告。它交付给你的数字，长得和正确答案一模一样，你根本看不出它错了。

错在哪三处，也很有代表性：

• 表里的「合计」行（15,368,317）被当成了一家门店；
• 「华东小计」（6,157,150）又被当成一家门店；
• 有一行是粘贴事故造成的完全重复，被算了两次。

AI 写代码，错了会抛异常；但 AI 做数据分析，错了什么都不会发生。这正是今天这个项目存在的全部理由。

主流读取 vs huashu-excel 体检，同样一张脏表两种结局

项目：huashu-excel，一个真正懂数据分析的 skill

huashu-excel（花叔数据分析大师）是一个开源的 AI Skill，作者是「花叔」。它的口号就一句话：

给我一份 Excel，给你交一份专业报告。

它干的不是「读表」，而是「数据分析与 Excel 全流程」：体检 → 清洗 → 对齐 → 分析 → 对账 → 交付。核心卖点有四个：

1. 先读原始单元格，再动 pandas
   。pd.read_excel() 读进来的那一刻，合并单元格、单元格格式、原始类型就全丢了。而这个 skill 先用 openpyxl 读原始格子，再判断怎么处理。
2. 把表里的「合计」行当成免费的校验和
   。所有工具都把汇总行当噪音过滤掉，但它拿清洗后的明细自己去对「合计」行——对不上就说明有一方错了，必须报出来。
3. 交付前跑 master check，不通过就不给数字
   。
4. 最后一步质控：另派一个没参与创作的 agent 从原始数据重算
   ，专门拆台。

依赖只有 openpyxl，不联网、不用 pandas、不依赖任何 agent 平台特性，纯标准库都能跑。

八步标准作业流程

它把一次数据分析拆成八步，一步都不省：

1 体检：这张表长什么样，先看再算 2 清洗：变成规范分析表，每一步可追溯 3 对齐：摸底 → 查外部基准 → 问清用户要什么 → 定口径 4 分析：扫陷阱，每条发现都推到「所以呢」 5 对账：行数守恒、总和守恒、与表内合计交叉验证 6 交付：Excel / 图表 / 报告，口径随数字一起交付 7 验图：渲染出来看画错了没有 8 质控：另派 agent 从原始数据重算，拆你的台

其中第 3 步「对齐」特别值得一提。作者的观点是：用户开口时往往还不知道自己要什么，因为他也没看过这份数据长什么样。所以澄清不放在最开始，而是放在「你已经看懂数据、他也能看懂你的描述」之后——先出一段人话摸底，再带着它去问用户要回答什么问题。

而第 8 步「质控」是最容易被省掉的一步，却恰恰能抓到最多问题：退出码验的是「算得对」，不是「结论对」。一份内部对账分毫不差的报告，可以整体错一个财年，只要那一列的列名不是它字面的意思。

八步标准作业流程：体检→清洗→对齐→分析→对账→交付→验图→质控

同一个例子，它怎么做？

回到开头那份脏表。huashu-excel 的体检阶段会把问题全列出来，一个都不猜：

【必须先处理】 1. 表头不在第 1 行：真表头在第 3、4 行 2. 两级表头，要用 header=[2, 3] 读 3. 4 个汇总/小计行混在数据区（第 12、17、18、19 行） 4. 1 行与前面完全重复 5. 3 处合并单元格落在数据区  【逐列】 E 列：10/10 个数字被存成文本 → 直接 sum() 会变字符串拼接 I 列：缺失值被写成「—」「无」「N/A」 D 列：日期格式不统一，四种写法混在一起

然后拿清洗后的明细，去对表里自带的合计行：

✗ 对账 · F 列「2 月」 vs 第 12 行「华东小计」   表内写 6,490,430.00，明细算得 6,490,420.00，差 10.00  MASTER CHECK：不通过。在解决之前，不要把这些数字写进任何交付物。

那个差 10 块钱的错，是造数据的人手填小计时填错的。相对误差 0.00%，肉眼永远发现不了，脚本一次揪出来。

清洗后的明细 vs 表内合计行对账，天平上揪出差 10 块的错误

五个和别的工具不一样的地方

一、它不是一个分析师，是一个团队。 依次扮演领域专家 / 数据分析师 / 战略顾问 / 视觉设计师 / 前端工程师 / 质控，角色之间打架的地方保留下来，那是信息量最大的部分。

二、默认给五数概括，不给均值。 业务数据几乎总是右偏的，均值在偏态分布下描述的不是任何一个真实对象。它默认输出 min/Q1/中位数/Q3/max + IQR，这是 Tukey 的抗差统计。

三、图表诚实性检查。 柱形图数值轴强制从 0（编码长度，截断即失真）；折线图不强制从 0；类别超过 3 个时拒绝生成饼图；不完整的最后一期画虚线；套用色盲友好色板——约 8% 的男性有红绿色觉障碍。

四、报告直接写，不套模板。 HTML 报告直接写 HTML/CSS，自包含、无 CDN、图表用内联 SVG。PPT 则明确外包给作者另一个项目 huashu-design，不硬做。

五、机器判事实，人判品味。 「行数对不对、数字能不能追回源单元格」机器验死、自动跑；「分析有没有意义」明确交还给人，绝不用一个分数冒充客观。

图表诚实性：柱状图强制从 0、类别过多拒绝饼图、色盲友好色板

装上就能用

安装只需要一条命令：

npx skills add alchaincyf/huashu-excel

跨 agent 通用，Claude Code、Cursor、Codex、OpenClaw、Hermes 都能装。也可以直接 clone 到对应目录：

Claude Code

git clone https://github.com/alchaincyf/huashu-excel ~/.claude/skills/huashu-excel

Codex / Kimi Code

git clone https://github.com/alchaincyf/huashu-excel ~/.agents/skills/huashu-excel

装完直接说人话就行：

「帮我分析下这份销售表」 → 走完整八步 「这两个数怎么对不上」 → 体检 + 对账，先找口径差异 「这个表有多少行是脏的」 → 只跑体检 「帮我把这份表洗干净」 → 体检 + 清洗 「这个数你怎么算出来的」 → 对账 + 口径回溯

为什么值得关注

Panko（1998）的研究显示，86% 的电子表格含有错误。欧洲电子表格风险兴趣组（EuSpRIG）从 1995 年起持续收录见诸媒体的事故——最著名的是 Reinhart-Rogoff 论文，Excel 选区少选了 5 行，把 +2.2% 的 GDP 增速算成 −0.1%，而那篇论文当时是全球紧缩政策的主要学术依据。

一个算错还「自信满满」的 AI 助手，比没有助手更危险。huashu-excel 的可贵之处，是把「这句反问能答上来」当成了硬指标——每个数字都能追回源单元格，每个结论都先过了对账和质控。

如果你经常和 Excel 打交道，不管是财务、运营还是分析岗，都值得装上它试试。给它一份 Excel，让它先体检、再对账，算不对就让它别交差。

觉得有用？点个关注，后面继续挖好用的 AI 工具。