只需一套神奇的Skills，徹底跑通四個辦公場景！

新智元報道

【新智元導讀】光有強大的模型本身還不夠，從臟數據到分析報告到匯報PPT，中間那條自動化鏈路誰來跑？GitHub上剛開源的SenseNova-Skills給出了一個答案，我們實測了四個真實場景，效果有點超出預期。

就在最近，第三方榜單Claw-Eval上出現(xiàn)了一個有意思的名字。

SenseNova 6.7 Flash-Lite，一個輕量級模型，沖進了前十。

緊跟DeepSeek V4 Pro和GPT-5.4，壓過了Gemini 3.1 Pro和DeepSeek V4 Flash。

有趣的是，行業(yè)巨頭們也在同一周有了新動作。

ChatGPT for Excel全球上線，GPT-5.5驅動，直接在Excel里嵌了一個側邊欄。

兩天后，Claude把Excel、Word、PowerPoint三件套轉正GA，Outlook同步開了公測。跨四個Office應用保持對話上下文不斷，從郵件到表格到PPT一路跟著你走。

兩大巨頭都急著把大模型塞進辦公套件，為什么？

實際上，要真正解決你工作的問題，只靠模型是不夠的。

如果你想做到跨環(huán)節(jié)、全鏈路的辦公自動化——從一堆臟數據，到分析報告，到匯報PPT ——得有專門的Agent和Skills來實現(xiàn)。讓大模型從「會聊天」變成「會交作業(yè)」，靠的就是這一層。

最近GitHub上出了一套開源的辦公Skills跟的就是這波趨勢，并且迅速斬獲了4位數的Star。

抱著試試看的心態(tài)，我們親自實測了一波，發(fā)現(xiàn)效果有點超出預期。

項目地址：https://github.com/OpenSenseNova/SenseNova-Skills

一句話出一張圖，零亂碼

第一次出國旅游，面對簽證、機票、海關、轉機一堆流程，大多數人的第一反應是上小紅書翻攻略。

現(xiàn)在換個思路。

把需求扔給裝了Skills的Agent，它自動生成一張完整的流程圖解。

步驟清晰，層級分明，中文排版零亂碼，風格直接對標小紅書爆款。

一句提示詞，一遍成，不抽卡。

左右滑動查看

客戶端點開大圖后點擊下一張(>)

從數據到報告到PPT，三個真實辦公場景

開胃菜吃完，上硬菜。

6家廠商13種品類混著來，抗噪才是真本事

下一個測試任務：存儲芯片價格分析。

做過采購和分析的朋友肯定懂這種爛賬，7個月的報價記錄，6家廠商，從DDR4到HBM3e到企業(yè)級SSD，13種細分品類全攪在一張表里，廠商名大小寫不統(tǒng)一，空值東一個西一個，離群值占了13%。

不光是數據多，更惱人的是數據雜。

品類之間價格量級差了幾十倍，你要是不分層處理，一算均價直接就是垃圾。

換作真人，洗數據加寫報告，起碼熬一天半。

對于這套內容，Agent的處理堪稱老手。

它首先跑了一輪「數據審計」，把廠商命名不規(guī)范的、報價空值的，全部清理了一遍。

光廠商名就揪出4個問題，什么「 sk hynix」前面多個空格、「 samsung」大小寫亂飛，這種臟數據你不清，后面按廠商聚合的時候同一家會被拆成兩條線。

尤其值得一提的，是它對離群值的處理。

110條數據被標記為離群值，占了13%，比例不小。

但Agent沒有一刀切全刪。

它分析了一下發(fā)現(xiàn)，其中一部分對應的是真實業(yè)務場景，比如渠道清庫存促銷帶來的低價，以及HBM現(xiàn)貨緊缺時的溢價，然后果斷選擇保留數據并單獨做了標記，后續(xù)分析里分層處理。

數據審計完，緊接著是多維拆解。

按「品類×應用場景×廠商」交叉分析，準確捕捉到2026年2月下旬的價格拐點。HBM3e和企業(yè)級SSD周漲幅明顯抬升，消費類DDR4與eMMC只是溫和跟漲。

最終結論很犀利：本輪上漲是AI服務器需求帶動的結構性修復，不是普漲。

數據分析能跑通了，更長的鏈路呢？

給Agent一個行業(yè)名，它交回一份調研報告

低空經濟行業(yè)調研。

只給了一個題目，沒有提供任何參考資料。

Agent先錨定了一個核心判斷，2025到2026年是中國低空經濟商業(yè)化的關鍵窗口期。

然后，它開始自主檢索國內外主流廠商的最新進展，逐一比對機型、適航進展和訂單數據。

這里有個細節(jié)。面對大量口徑不一的公關稿和重復信息源，Agent精準提取出了UAM落地節(jié)奏、eVTOL核心零部件國產化率和關鍵環(huán)節(jié)成本占比。

隨后，它又在此基礎上自動生成了產業(yè)鏈結構圖、成本占比餅圖，并用TAM/SAM/SOM框架測算2025、2027、2030年市場規(guī)模。

最終給出的調研報告，有判斷框架、有數據支撐、有可視化圖表，遠超「網上搜一圈拼在一起」的信息堆砌。

整個過程是sn-deep-research這個Skill在編排。

規(guī)劃→分維度取證→綜合→成稿，支持斷點續(xù)跑。

23頁PPT，連配色都替你想好了

城市新能源汽車充電基礎設施布局與運營方案。

首先，內容結構上搭建了完整的七段式框架，行業(yè)背景、需求測算、選址模型、技術方案、運營模式、投資測算、政策建議。

最終交付的是一份23頁的完整 PPT。

其次，每一部分都匹配了對應的視覺表達。選址模型頁自動配置GIS熱力示意圖，運營模式頁生成三種模式的對比矩陣，投資測算頁給出利用率與回收期之間的敏感性分析圖。

最后一頁還給出了3條具體到行動主體和時間節(jié)點的落地建議。

生成即交付，打開就能編輯。

重點來了。

這份PPT不僅在OpenClaw里跑通了，同樣的Skill拖進ChatGPT也能用。

把SenseNova-Skills倉庫克隆到本地，通過ChatGPT的Skills入口導入，搭配GPT的原生能力，同樣能跑出高質量的PPT。

四大類任務，不挑模型

到這里該揭底牌了。

前面四個場景背后跑的，是同一套東西，SenseNova-Skills。

來自商湯的團隊把辦公場景里最高頻的能力拆成了四大類任務入口，每個入口底下掛著一串具體的Skills各司其職，剛在GitHub開源，MIT協(xié)議，覆蓋了辦公場景里最高頻的需求。

1. 數據分析，sn-da-excel-workflow，多表讀取、大文件超過1萬行自動觸發(fā)Parquet優(yōu)化、清洗聚合導出，全流程編排。還有專門處理圖片表格OCR的sn-da-image-caption。

2. 深度研究，sn-deep-research，下面掛了6個子Skills分別負責規(guī)劃、取證、綜合、成稿、格式發(fā)現(xiàn)、HTML轉換，中間產物持久化，斷點可續(xù)。

3. PPT生成，從sn-ppt-entry統(tǒng)一入口進入，支持標準模式和創(chuàng)意模式。標準模式的鏈路是大綱→逐頁HTML→逐頁VLM評審（不合格自動重寫）→PPTX導出。

4. 搜索，聚合了arXiv、Semantic Scholar、PubMed、GitHub、Stack Overflow、Hacker News、HuggingFace、Reddit、Twitter、YouTube、B站、知乎、抖音，學術+開發(fā)者+中英文社交全覆蓋。

另外，SenseNova-Skills還能通過調用SenseNova U1模型，完成高密度復雜的信息圖生成，包含自動提示詞擴寫+VLM質檢+質量排序。

每個Skill都是獨立目錄，通過SKILL.md聲明什么時候觸發(fā)、什么時候不觸發(fā)。

Agent會根據指令自動選擇和編排，不需要手動指定調哪個。

這套Skills在Claude Code、Codex CLI、ChatGPT、OpenClaw、Hermes Agent等常見Agent工具里都能跑。

Skills提供流程知識和工具鏈編排，模型提供推理和決策。

怎么用，怎么裝

模型搭子：SenseNova 6.7 Flash-Lite

雖說有了好用的Skills搭什么模型都可以，但最簡單的還是日日新SenseNova 6.7 Flash-Lite——同量級第一，專門為Agent場景優(yōu)化的輕量多模態(tài)模型。

Flash-Lite采用原生多模態(tài)架構，視覺信號和文本放在統(tǒng)一的感知鏈路中，看懂網頁布局、文檔結構、圖表關系之后一步到位做決策，中間不經過文字轉譯。

這個架構帶來兩個直接結果。

1.Token消耗在信息搜索等場景中直降60%。任務越長省得越多，對于需要跑完整工作流的Agent來說，這是實打實的成本優(yōu)勢。

2. Agent基準測試成績也很能打。PinchBench 92分同量級第一，Deep Planning 66分同量級第一，NovaPPTBench 92.4分第一，還在τ2-bench、GPQA-diamond、AA-LCR、MathVision、OCRBenchV2等多個維度領先同級別國內外模型。

項目地址：https://github.com/OpenSenseNova/SenseNova6.7

模型API接入時，還有一個限時福利可以薅。

商湯通過SenseNova平臺發(fā)放的Token Plan，活動首月可享每5小時1500次免費調用配額，相當于零成本上手。

https://www.sensenova.cn/

模型選好了，接下來是部署。

兩種方式，看你更喜歡哪種

想用這套Skills，兩條路。

第一條，本地安裝，自己配。

Skills倉庫MIT協(xié)議開源，你可以用Agent Pack一鍵裝，它集成了Hermes Agent和OpenClaw框架加全套Skills，配合免費Token Plan，裝完就能跑。

項目地址：https://github.com/OpenSenseNova/agent_pack

也可以更靈活一點，直接克隆Skills倉庫，把Skills目錄拷進你自己的Agent框架就行。

甚至可以讓Agent自己裝，跟它說：

請幫我把https://github.com/OpenSenseNova/SenseNova-Skills安裝到你的Skills目錄。

它自己就能克隆、拷貝、加載。

API兼容OpenAI格式，主流開源Agent框架平滑接入。

第二條，云端產品，開箱即用。

商湯的辦公小浣熊目前已經把商湯全系SenseNova-Skills和U1信息圖生成打包好了，1500萬個人用戶、數千家企業(yè)客戶在用。

https://xiaohuanxiong.com/

本地的好處是自由度高，想怎么魔改怎么魔改，適合折騰型選手。

云端的好處是省心，不用碰代碼不用配環(huán)境，適合想直接用的人。

大模型競爭，回到交付

真實的未來不是「Agent取代人」，而是周一早晨：

分析師打開電腦，上周840條新報價已經清洗完畢；產品經理剛定完選題，調研報告草稿已經在桌面；總監(jiān)還在路上，下午的匯報PPT已經生成，配色都替你想好了。

讓這件事發(fā)生的，不是更大的模型，而是模型背后那套已經被打磨過的Skills。

代碼在GitHub，MIT協(xié)議，我們先裝上了。

SenseNova-Skills GitHub倉庫：

https://github.com/OpenSenseNova/SenseNova-Skills