蜗牛数据分析助手

【运行稳定性】纯Python标准库实现，零外部依赖，断网可用。代码结构清晰，约350行单文件，可读性强。内置self-test自检覆盖表头规整、空白清理、缺失值归一、日期/数字归一、去重、删空行、台账落盘等核心功能，全部通过。编码自动识别（5种编码依次尝试）和分隔符自动识别鲁棒性良好。整体稳定性优秀。 【效果质量】功能覆盖全面，11项核心能力基本涵盖了日常表格清洗的常见场景。数字归一支持货币符号、千分位、括号负数等多种格式，日期归一支持斜杠、点、中文年月日等格式，且对模糊月日年格式默认跳过不强行改写，体现了审慎原则。三输出物（清洗后CSV+MD报告+变更台账）设计合理，变更台账实现了逐格可审计。不足之处是仅支持CSV，不支持xlsx/xls等常见格式；列类型推断较基础，缺少异常值检测。 【安全性】纯本地脚本，数据不出域，无网络请求、无文件外发、无权限提升风险。原始文件不覆盖，结果另存，安全设计到位。平台安全检测safe_checked，四类风险均为LOW。 【潜在风险】确定性规则清洗对非常规格式可能漏处理，用户可能误以为"清洗完就干净了"而跳过复核；数字归一中若CSV列含逗号未加引号，会被误判为分隔符导致数据错位（脚本已提示但用户可能忽略）。 【典型应用场景】敏感数据离线清洗（财务/员工/客户信息）、多系统导出数据格式统一、数据分析前的数据预处理、审计场景下可追溯的批量数据规整。 【解决了什么问题】填补了"本地、免费、可审计"的数据清洗工具缺口——商业方案普遍云端+订阅+数据出域，本技能用纯Python标准库实现了确定性规则清洗，兼顾隐私和可追溯性。 【应用短板】一是仅支持CSV格式，不直接处理Excel，需用户手动转格式；二是缺少异常值检测、数据关联性校验等高级清洗能力；三是命令行界面对非技术用户不够友好，需要Agent代为执行。

【运行稳定性】纯提示词技能，零代码零外部依赖，稳定性好。主SKILL+6个参考文档约1000行，结构清晰，场景分流明确（六大场景各有独立流程）。信息检索式设计，不会出现随机性错误。唯一风险是参考文档内容随学科差异可能存在适用性边界，但属于内容深度问题而非运行稳定性问题。 【效果质量】覆盖面极广——从研究方法选择、统计检验指导、论文各章节写作、学术风格、引用格式到AI使用边界，完整覆盖科研写作全流程。参考文档专业度扎实：统计部分有参数/非参数对应表、效应量计算、APA报告模板和常见误解纠正；写作部分有CARS模型、PEEL段落结构、模糊限制语等成熟框架。方法论深度不错，但学科通用性与专业深度存在天然矛盾——社科适用性最强，理工科前沿方向细节可能不足。 【安全性】纯提示词技能，无数据外发、无文件操作、无网络请求。平台检测safe_checked，风险等级LOW。明确声明不编造文献数据、不代替核心判断，红线清晰。 【潜在风险】用户可能将方法指导直接当作研究方案执行，复杂统计或特殊学科场景下存在适用性风险；AI使用边界仅为通用建议，不同学校政策差异大，用户需自行核对。 【典型应用场景】研究生开题阶段方法选择、论文写作中卡章节、统计分析不知选何检验、引用格式纠结、答辩前自查。 【解决了什么问题】解决"知道要做研究但不知道方法和结构对不对"的信息差问题——把分散在教科书、期刊指南、方法论文章中的写作规范系统化、场景化，降低了学术入门的认知门槛。 【应用短板】一是广度有余深度有限，1000行内容覆盖全流程但每个方向只能到入门-中级水平；二是偏理论指导，缺少与实际文稿的互动（需配合写作技能）；三是学科普适性以社科为基准，理工科、医学、人文等学科适配度各异。

文件对比与差异报告助手是一款零依赖的文件差异比对工具箱，纯Python标准库实现，支持文本、目录、JSON、CSV四种对比模式。 运行稳定性：脚本语法检查通过，569行代码结构清晰，四种子命令均有独立参数解析与错误处理，异常时返回明确退出码。但缺少单元测试覆盖，超大文件、特殊编码混合等边界场景表现有待实测验证。 效果质量：四种模式覆盖了日常大部分差异比对需求——文本diff+行内词级差异、目录树按sha256哈希比对、JSON路径级逐字段对比、CSV按主键核对行与单元格变化。HTML报告自包含深色主题，可直接用于工单和邮件，输出质量高。 安全性：仅使用Python标准库，不联网、不调用外部API、不修改原始文件，无动态代码执行逻辑。官方安全扫描Semgrep零问题，四类安全风险均为LOW，安全等级高。 潜在风险：无第三方依赖降低了供应链风险，但CSV/JSON处理大文件时内存占用未明确限制，极端情况下可能影响性能。 典型应用场景：配置漂移排查、接口回归测试、数据交付验收、备份目录核对、代码/文案版本对比。 解决了什么问题：把"两份东西哪里不一样"这个高频但繁琐的问题，用零配置的单文件工具快速产出结构化、可直接引用的差异报告，减少人工逐行比对的时间。 应用短板：缺少三方合并能力和二进制级差异可视化；数组主键对齐要求主键唯一，重复主键仅告警无法自动处理；不支持Excel等更复杂的表格格式，场景覆盖有边界。

【运行稳定性】纯提示词技能，零外部依赖，稳定性良好。执行流程分六步，输入校验逻辑清晰，分支覆盖完整。但匹配度评分依赖模型主观判断，不同模型不同批次可能出现分值波动。 【效果质量】三类关键词拆分思路正确，符合ATS筛选逻辑。措辞对齐分析是亮点，能识别同义表述的错配并给出改写建议，直击求职者过不了初筛的核心痛点。输出格式固定，结构清晰可复用。但评分锚点仅为内部参考，缺乏细化的评分标准说明。 【安全性】纯提示词技能，无数据外发无文件操作，风险等级LOW。红线明确——不编造经历、不承诺过筛。 【潜在风险】评分主观性较强，用户可能过度依赖分数；措辞对齐照抄后实际经历不扎实，面试环节可能暴露落差。 【典型应用场景】投递前单一岗位简历精准优化、海投屡屡不过初筛的原因诊断。 【解决了什么问题】解决明明有相关经历但过不了机器筛选的措辞错配问题，把隐性要求显性化。 【应用短板】一是只做单岗位匹配，批量投递效率低；二是评分缺乏透明量化依据；三是仅覆盖关键词层面，不涉及简历结构项目深度等更复杂环节。

【运行稳定性】纯提示词技能，零外部依赖、零代码执行，稳定性较强。四步流程（接收判断→六尺挖掘→三栏改写→全文交付）分支相对清晰，但当用户输入多段混杂、格式不规范时，挖掘环节可能出现重复提问，容错有提升空间。 【效果质量】「六把尺子」方法论有一定体系感，改写公式符合招聘方阅读习惯，三栏表格输出直观。标杆案例质量不错，但实际效果重度依赖用户能否提供真实数据，对全无数字意识的用户需要多轮引导，单轮产出的完整度有限。 【安全性】纯提示词技能，无数据外发、无文件操作，平台检测四类风险均为 LOW。红线明确——不编造数据、不承诺 offer。 【潜在风险】主要风险是用户自行编造数字填入简历，虽有警示但约束力有限，属于使用端的道德风险。 【典型应用场景】社招简历优化、跳槽前集中改经历、HR 或职业咨询师批量辅导辅助；尤其适合做事多但不会用数字表达的运营/职能岗求职者。 【解决了什么问题】解决简历流水账通病——求职者知道自己干了啥，但不会用成果语言表达，导致通过率低。用一套可复用的方法论把事务性描述转化为成果性描述。 【应用短板】一是依赖输入质量，数字概念弱的用户需多轮引导；二是只覆盖工作经历改写，不涉及简历结构、项目经历等其他痛点；三是行业通用性强但岗位深度不足，技术栈权重、业绩口径等无法做专业区分。