spreadsheet：一个会写公式的 Excel 助手

让 AI Agent 给你做一张财务报表，它大概率会给你一个”看起来还行”的表格。但仔细一看，所有数字都是硬编码的。没有公式，没有引用关系，改了输入值其他格子纹丝不动。

这其实不是模型能力的问题。Agent 在操作电子表格时，默认行为就是”把数据填进去”，而不是”用公式把数据连起来”。openpyxl 确实能写公式，但 Agent 通常不会主动选择这样做，它需要一个明确的技能框架来告诉它：做表格的时候，公式是默认选项，不是高级功能。

openai/spreadsheet 这个 Skill 要解决的就是这件事。它不是另一个”用 Python 操作 Excel”的封装，而是一套完整的电子表格行为规范：

• 什么时候用 openpyxl，什么时候切 pandas
• 公式引用怎么写，绝对引用和相对引用怎么选
• 格式怎么保留，不被 pandas 覆盖
• 交付前怎么验证，布局有没有问题

把它想成一个 Agent 专用的”电子表格 SOP”。7,309 次浏览、135 次安装，在 Smithery 上不算爆款，但属于那种用对了场景立刻能感觉到差异的工具。

说真的，这篇文章不打算逐行翻译它的 SKILL.md。我会拆它的工作流、点出几个关键设计、讲清楚它在真实场景里到底怎么改变 Agent 处理表格的方式。如果你正在让 Agent 做数据报表或财务模型，这里面的取舍应该能帮你省不少折腾。

环境准备

这个 Skill 的依赖分两层。核心层是 Python 的 openpyxl 和 pandas，处理 .xlsx 文件的读写和数据分析。渲染层是可选的。LibreOffice 把 .xlsx 转成 PDF，Poppler 再把 PDF 转成图片，让 Agent 能在交付前”看到”表格长什么样。

安装本身很简单：

npx skills add https://github.com/openai/skills --skill spreadsheet

如果你在本地手动配，Python 依赖两行搞定：

uv pip install openpyxl pandas

渲染工具需要系统级安装。macOS 上 brew install libreoffice poppler，Ubuntu 上对应 apt-get。Windows 和纯服务器环境就比较麻烦，LibreOffice 的 headless 模式需要完整的桌面依赖包。

验证也直接。让 Agent 跑一段最简单的代码：创建一个 workbook，在 A1 写 =1+1，保存后用 openpyxl 读回 A1 的值。如果读到的是公式字符串 =1+1 而不是计算值 2，说明环境就绪（openpyxl 不会计算公式，这正是后面设计章节会讲到的关键点）。渲染层不存在的话也不影响核心功能，Agent 会在交付时提醒你：布局需要本地复查。

操作流程

这个 Skill 的工作流可以概括为五步，但真正有意思的不是步骤本身，而是每步里隐含的”判断点”。

第一步是确认任务类型和文件格式。新建还是修改？是 .xlsx 还是 .csv？这一步看起来简单，实际上决定了后续整个工具链的选择。新建 .xlsx 用 openpyxl 最合适，批量数据分析切 pandas 更高效，修改已有文件则两种工具可能要交替使用。这个判断如果错了，后面的操作效率会差一个数量级。

第二步是创建或修改。写 .xlsx 文件时用 openpyxl 保持格式感知。原有文件中的这些元素不会因为你的写入而丢失：

• 字体和字号
• 单元格颜色和填充
• 边框样式
• 列宽和行高

数据分析场景用 pandas 做过滤、聚合、透视，然后写回 .xlsx。这里有个很多人踩过的坑：pandas 写回 .xlsx 时默认会覆盖所有已有格式。Skill 的做法是先读原始文件的结构，再用 openpyxl 引擎做增量写入，避免 pandas 的”格式炸弹”。

第三步是公式处理。这是整个 Skill 最核心的差异化能力。Agent 不再写死数字，而是写真正的 Excel 公式。规则很明确：

• 衍生值一律用公式，不硬编码结果
• 禁用 FILTER、XLOOKUP、SORT 等动态数组函数（兼容性）
• 避免 INDIRECT、OFFSET 等易失函数（性能）
• 用绝对引用 $B$4 和相对引用 B4 精确控制公式复制行为
• 复杂逻辑拆成辅助列，单公式尽量简单可读

第四步是重算和渲染。openpyxl 的一个先天限制是不计算公式，它只读写公式字符串，从来不去算结果。这意味着你用一个写满公式的 .xlsx 发给别人，对方打开 Excel 或 LibreOffice 时公式才会被算出来。如果能在交付前让 Agent 自己跑一遍 LibreOffice 做重算，然后截图检查布局，就能在问题到达用户之前拦截掉。这是渲染环节存在的真正原因。

第五步是保存和清理。中间文件放 tmp/spreadsheets/，最终产物放 output/。文件名保持稳定，有描述性。听起来是细节，但在 Agent 自动化流程里，文件命名混乱是导致”找不到输出”的第一大原因。

关键设计

如果把市面上所有”让 AI 操作 Excel”的方案拉出来，大部分走的是”导出数据”路线。Agent 算好结果，扔进 CSV 或 pandas，输出完事。spreadsheet 这个 Skill 选了另一条路：保留电子表格的完整语义。

这个选择直接决定了它的技术栈。openpyxl 负责”格式感知”。它能读写以下 pandas 完全不支持的元素：

• 合并单元格
• 条件格式
• 图表
• 命名范围

但 openpyxl 不会算公式。所以 Skill 加了一层 LibreOffice 重算 + Poppler 渲染，补上 openpyxl 的盲区。pandas 是第三件工具，专门处理 CSV/TSV 和大批量数据分析场景。三件工具各司其职，而不是试图用一个包解决所有问题。

这里有一个容易被忽略的设计：Skill 明确要求 Agent 使用公式后，必须引用的不是”数字”而是”单元格”。换句话说，=H6*(1+$B$3) 而不是 =H6*1.04。这个区别对 Agent 来说不是天然的，它天然倾向于把计算结果写进去，而不是保留”这个数字从哪来”的推导链。强制引用单元格地址，等于强迫 Agent 保留了数据之间的逻辑关系。

另一层设计在格式化规则上。新文件有一套完整的颜色约定：

• 蓝色：用户输入
• 黑色：公式推导
• 绿色：外部链接
• 灰色：常量
• 红色：错误或风险标志

这不是为了好看。当 Agent 审查一个它生成的财务报表时，它可以通过颜色快速定位”哪些数字我需要检查”，蓝色格子的值来自用户输入，可能用错了；黑色格子是公式推导的，需要验证公式逻辑；红色格子是出错标记，必须修正。

值得注意的还有这个 Skill 对投资银行场景的专门优化。总行数直接在数值区域上方求和，网格线隐藏后用水平边框标注合计行，节标题用深色填充白字合并单元格，子指标缩进排列在父指标下方。这些不是花活，是真的影响投行分析师阅读习惯的排版规则。一套 DCF 或 LBO 模型如果排版不符合这个范式，审阅的人第一反应就是”不对”。

实战场景

这个 Skill 最强的使用场景是财务建模。找个例子就清楚了：你让 Agent 做一套简单的 DCF 估值。

传统方式下，Agent 会拿到你的假设参数（增长率、折现率和预测期），然后逐行算出每年的自由现金流、终值和折现值，全部硬编码填入单元格。你拿到文件后想把增长率从 5% 改成 6%，整张表要全部重算，因为你改的只是一个数字，不是公式里的参数。

用 spreadsheet Skill 之后，Agent 的行为变了。增长率写在 B3 单元格，每年的预测自由现金流用 =H6*(1+$B$3) 引用这个格子。你改 B3，后面五年的数据自动刷新。这听起来像 Excel 的基础操作，但对 Agent 来说是质变：它从”制造结果”变成了”建立模型”。

第二个典型场景是 CSV 到带格式报表的转换。很多企业的数据系统只能导出 CSV，但汇报需要的是带了以下格式的 .xlsx 文件：表头样式、边框、千分位数字格式和条件着色。传统做法是手工打开 CSV 逐一调整，再保存。这个 Skill 能让 Agent 把整个过程自动化：读 CSV → pandas 做数据清洗和聚合 → openpyxl 写带格式的 .xlsx → LibreOffice 渲染检查布局 → 交付。

第三个场景是公式审计。拿到一个别人做的 .xlsx，里面有十几个 sheet、几百个公式，你想快速找出 #REF!、#DIV/0! 或循环引用的位置。Agent 加载文件后扫描所有公式单元格，用 openpyxl 检测错误类型，输出一个按 sheet 分组的问题清单。这跟 Excel 自带的”公式审核”工具做的事情类似，但 Agent 可以同时做跨 sheet 的引用链追踪，比手动点来点去快得多。

对了，这个 Skill 在纯服务器环境（没有 LibreOffice）里会降级运行。公式照样写，格式照样保留，但渲染检查这一步就没了。Agent 会在交付时提醒你”布局需要本地复查”。这不是缺点，是诚实的边界处理，比很多工具假装自己能渲染然后返回空白截图强。

洞察与反思

回头看这个 Skill 的设计，我越来越觉得它揭示了一个更大的趋势：Agent 的工具能力不需要多”聪明”，需要的是”专业化的行为约束”。

openpyxl 和 pandas 早就在那儿了，任何一个有 Python 执行权限的 Agent 都能用。但大多数 Agent 不会主动用公式写表格，因为它们没有被训练或提示成”先想公式再填值”。spreadsheet 这个 Skill 本质上不是一个新工具，是一套行为框架，它教 Agent 用已有工具的正确方式。

这个框架里最有价值的可能是”渲染检查”这个环节。让 Agent 在交付前看一眼自己生成的表格，这个动作的成本不高（多跑两行命令），但对输出质量的提升是决定性的。我自己在跑类似的表格自动化时，最常见的翻车原因不是逻辑错误，是布局问题：列宽不够导致数字显示为 ####、合并单元格错位、条件格式把整列染成同一种颜色。这些问题如果不预览，用户拿到手就是废的。

对比一下同类做法。Excel 的 Python 集成（Microsoft 365 里的 Python in Excel）和 Google Sheets 的 Apps Script 都能做自动化，但它们绑定特定平台。spreadsheet 这个 Skill 的优势是平台无关，生成的是标准 .xlsx 文件，发给任何用 Excel 或 LibreOffice 的人都能打开，公式不丢，格式不乱。代价是渲染依赖 LibreOffice，部署环境受限制。

我不太满意的是它对复杂图表的支持还很初步。openpyxl.chart 能做原生 Excel 图表，但 Skill 文档里只是提了一句”需要时使用”，没有给具体的图表生成规范。如果让 Agent 自己发挥，大概率会生成一堆丑到没法用的柱状图。这是下一步该强化的方向，给 Agent 一套”好看图表的判定标准”，而不仅仅是”生成图表的能力”。

资源地址

总结

把 spreadsheet Skill 从头到尾走了一遍，最深的印象不是它做了什么，而是它刻意不做什么。

它不追求一次性搞定所有表格操作。它把工具链拆成三件：openpyxl 管格式，pandas 管分析，LibreOffice 管渲染。每件只做自己最擅长的那部分，不强求统一。它也不追求 Agent 能”聪明地”自己决定公式怎么写，而是给了一组硬约束：用单元格引用、不用动态数组函数、不用易失函数。这些约束看起来是限制，实际上是在帮 Agent 做正确的决策。

如果你想让 Agent 做的表格不只是数据填填，而是真正能”跑起来”的模型，这件事值得投入。花半小时配好环境，看完 SKILL.md 的规则清单，之后每一次让 Agent 做表格时，你拿到手的都是一个有公式、有格式，被渲染检查过的产物，而不是一个等着你手动重算的硬编码壳子。