新智元報(bào)道

【新智元導(dǎo)讀】光有強(qiáng)大的模型本身還不夠，從臟數(shù)據(jù)到分析報(bào)告到匯報(bào)PPT，中間那條自動(dòng)化鏈路誰來跑？GitHub上剛開源的SenseNova-Skills給出了一個(gè)答案，我們實(shí)測了四個(gè)真實(shí)場景，效果有點(diǎn)超出預(yù)期。

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

SenseNova 6.7 Flash-Lite，一個(gè)輕量級(jí)模型，沖進(jìn)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(dòng)作。

ChatGPT for Excel全球上線，GPT-5.5驅(qū)動(dòng)，直接在Excel里嵌了一個(gè)側(cè)邊欄。

兩天后，Claude把Excel、Word、PowerPoint三件套轉(zhuǎn)正GA，Outlook同步開了公測。跨四個(gè)Office應(yīng)用保持對(duì)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(jìn)辦公套件，為什么？

實(shí)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(dòng)化——從一堆臟數(shù)據(jù)，到分析報(bào)告，到匯報(bào)PPT ——得有專門的Agent和Skills來實(shí)現(xiàn)。讓大模型從「會(huì)聊天」變成「會(huì)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(shù)的Star。

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

項(xiàng)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(duì)簽證、機(jī)票、海關(guān)、轉(zhuǎn)機(jī)一堆流程，大多數(shù)人的第一反應(yīng)是上小紅書翻攻略。

現(xiàn)在換個(gè)思路。

把需求扔給裝了Skills的Agent，它自動(dòng)生成一張完整的流程圖解。

步驟清晰，層級(jí)分明，中文排版零亂碼，風(fēng)格直接對(duì)標(biāo)小紅書爆款。

一句提示詞，一遍成，不抽卡。

左右滑動(dòng)查看

客戶端點(diǎn)開大圖后點(diǎn)擊下一張(>)

從數(shù)據(jù)到報(bào)告到PPT，三個(gè)真實(shí)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(gè)測試任務(wù)：存儲(chǔ)芯片價(jià)格分析。

做過采購和分析的朋友肯定懂這種爛賬，7個(gè)月的報(bào)價(jià)記錄，6家廠商，從DDR4到HBM3e到企業(yè)級(jí)SSD，13種細(xì)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(gè)西一個(gè)，離群值占了13%。

不光是數(shù)據(jù)多，更惱人的是數(shù)據(jù)雜。

品類之間價(jià)格量級(jí)差了幾十倍，你要是不分層處理，一算均價(jià)直接就是垃圾。

換作真人，洗數(shù)據(jù)加寫報(bào)告，起碼熬一天半。

對(duì)于這套內(nèi)容，Agent的處理堪稱老手。

它首先跑了一輪「數(shù)據(jù)審計(jì)」，把廠商命名不規(guī)范的、報(bào)價(jià)空值的，全部清理了一遍。

光廠商名就揪出4個(gè)問題，什么「 sk hynix」前面多個(gè)空格、「 samsung」大小寫亂飛，這種臟數(shù)據(jù)你不清，后面按廠商聚合的時(shí)候同一家會(huì)被拆成兩條線。

尤其值得一提的，是它對(duì)離群值的處理。

110條數(shù)據(jù)被標(biāo)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(duì)應(yīng)的是真實(shí)業(yè)務(wù)場景，比如渠道清庫存促銷帶來的低價(jià)，以及HBM現(xiàn)貨緊缺時(shí)的溢價(jià)，然后果斷選擇保留數(shù)據(jù)并單獨(dú)做了標(biāo)記，后續(xù)分析里分層處理。

數(shù)據(jù)審計(jì)完，緊接著是多維拆解。

按「品類×應(yīng)用場景×廠商」交叉分析，準(zhǔn)確捕捉到2026年2月下旬的價(jià)格拐點(diǎn)。HBM3e和企業(yè)級(jí)SSD周漲幅明顯抬升，消費(fèi)類DDR4與eMMC只是溫和跟漲。

最終結(jié)論很犀利：本輪上漲是AI服務(wù)器需求帶動(dòng)的結(jié)構(gòu)性修復(fù)，不是普漲。

數(shù)據(jù)分析能跑通了，更長的鏈路呢？

給Agent一個(gè)行業(yè)名，它交回一份調(diào)研報(bào)告

低空經(jīng)濟(jì)行業(yè)調(diào)研。

只給了一個(gè)題目，沒有提供任何參考資料。

Agent先錨定了一個(gè)核心判斷，2025到2026年是中國低空經(jīng)濟(jì)商業(yè)化的關(guān)鍵窗口期。

然后，它開始自主檢索國內(nèi)外主流廠商的最新進(jìn)展，逐一比對(duì)機(jī)型、適航進(jìn)展和訂單數(shù)據(jù)。

這里有個(gè)細(xì)節(jié)。面對(duì)大量口徑不一的公關(guān)稿和重復(fù)信息源，Agent精準(zhǔn)提取出了UAM落地節(jié)奏、eVTOL核心零部件國產(chǎn)化率和關(guān)鍵環(huán)節(jié)成本占比。

隨后，它又在此基礎(chǔ)上自動(dòng)生成了產(chǎn)業(yè)鏈結(jié)構(gòu)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(diào)研報(bào)告，有判斷框架、有數(shù)據(jù)支撐、有可視化圖表，遠(yuǎn)超「網(wǎng)上搜一圈拼在一起」的信息堆砌。

整個(gè)過程是sn-deep-research這個(gè)Skill在編排。

規(guī)劃→分維度取證→綜合→成稿，支持?jǐn)帱c(diǎn)續(xù)跑。

23頁P(yáng)PT，連配色都替你想好了

城市新能源汽車充電基礎(chǔ)設(shè)施布局與運(yùn)營方案。

首先，內(nèi)容結(jié)構(gòu)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(shù)方案、運(yùn)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(duì)應(yīng)的視覺表達(dá)。選址模型頁自動(dòng)配置GIS熱力示意圖，運(yùn)營模式頁生成三種模式的對(duì)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(dòng)主體和時(shí)間節(jié)點(diǎn)的落地建議。

生成即交付，打開就能編輯。

重點(diǎn)來了。

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

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

四大類任務(wù)，不挑模型

到這里該揭底牌了。

前面四個(gè)場景背后跑的，是同一套東西，SenseNova-Skills。

來自商湯的團(tuán)隊(duì)把辦公場景里最高頻的能力拆成了四大類任務(wù)入口，每個(gè)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(shù)據(jù)分析，sn-da-excel-workflow，多表讀取、大文件超過1萬行自動(dòng)觸發(fā)Parquet優(yōu)化、清洗聚合導(dǎo)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(gè)子Skills分別負(fù)責(zé)規(guī)劃、取證、綜合、成稿、格式發(fā)現(xiàn)、HTML轉(zhuǎn)換，中間產(chǎn)物持久化，斷點(diǎn)可續(xù)。

3. PPT生成，從sn-ppt-entry統(tǒng)一入口進(jìn)入，支持標(biāo)準(zhǔn)模式和創(chuàng)意模式。標(biāo)準(zhǔn)模式的鏈路是大綱→逐頁HTML→逐頁VLM評(píng)審（不合格自動(dòng)重寫）→PPTX導(dǎo)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(xué)術(shù)+開發(fā)者+中英文社交全覆蓋。

另外，SenseNova-Skills還能通過調(diào)用SenseNova U1模型，完成高密度復(fù)雜的信息圖生成，包含自動(dòng)提示詞擴(kuò)寫+VLM質(zhì)檢+質(zhì)量排序。

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

Agent會(huì)根據(jù)指令自動(dòng)選擇和編排，不需要手動(dòng)指定調(diào)哪個(gè)。

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(shí)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(jí)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(gòu)，視覺信號(hào)和文本放在統(tǒng)一的感知鏈路中，看懂網(wǎng)頁布局、文檔結(jié)構(gòu)、圖表關(guān)系之后一步到位做決策，中間不經(jīng)過文字轉(zhuǎn)譯。

這個(gè)架構(gòu)帶來兩個(gè)直接結(jié)果。

1.Token消耗在信息搜索等場景中直降60%。任務(wù)越長省得越多，對(duì)于需要跑完整工作流的Agent來說，這是實(shí)打?qū)嵉某杀緝?yōu)勢。

2. Agent基準(zhǔn)測試成績也很能打。PinchBench 92分同量級(jí)第一，Deep Planning 66分同量級(jí)第一，NovaPPTBench 92.4分第一，還在τ2-bench、GPQA-diamond、AA-LCR、MathVision、OCRBenchV2等多個(gè)維度領(lǐng)先同級(jí)別國內(nèi)外模型。

項(xiàng)目地址：https://github.com/OpenSenseNova/SenseNova6.7

模型API接入時(shí)，還有一個(gè)限時(shí)福利可以薅。

商湯通過SenseNova平臺(tái)發(fā)放的Token Plan，活動(dòng)首月可享每5小時(shí)1500次免費(fèi)調(diào)用配額，相當(dāng)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(fèi)Token Plan，裝完就能跑。

項(xiàng)目地址：https://github.com/OpenSenseNova/agent_pack

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

甚至可以讓Agent自己裝，跟它說：

請(qǐng)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(chǎn)品，開箱即用。

商湯的辦公小浣熊目前已經(jīng)把商湯全系SenseNova-Skills和U1信息圖生成打包好了，1500萬個(gè)人用戶、數(shù)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(shí)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(bào)價(jià)已經(jīng)清洗完畢；產(chǎn)品經(jīng)理剛定完選題，調(diào)研報(bào)告草稿已經(jīng)在桌面；總監(jiān)還在路上，下午的匯報(bào)PPT已經(jīng)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(jīng)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