文章作者、来源：新智元

一句话出一张图，零乱码

第一次出国旅游，面对签证、机票、海关、转机一堆流程，大多数人的第一反应是上小红书翻攻略。

现在换个思路。

把需求扔给装了Skills的Agent，它自动生成一张完整的流程图解。

步骤清晰，层级分明，中文排版零乱码，风格直接对标小红书爆款。

一句提示词，一遍成，不抽卡。

从数据到报告到PPT，三个真实办公场景

开胃菜吃完，上硬菜。

6家厂商13种品类混着来，抗噪才是真本事

下一个测试任务：存储芯片价格分析。

做过采购和分析的朋友肯定懂这种烂账，7个月的报价记录，6家厂商，从DDR4到HBM3e到企业级SSD，13种细分品类全搅在一张表里，厂商名大小写不统一，空值东一个西一个，离群值占了13%。

不光是数据多，更恼人的是数据杂。

品类之间价格量级差了几十倍，你要是不分层处理，一算均价直接就是垃圾。

换作真人，洗数据加写报告，起码熬一天半。

对于这套内容，Agent的处理堪称老手。

它首先跑了一轮「数据审计」，把厂商命名不规范的、报价空值的，全部清理了一遍。

光厂商名就揪出4个问题，什么「 sk hynix」前面多个空格、「 samsung」大小写乱飞，这种脏数据你不清，后面按厂商聚合的时候同一家会被拆成两条线。

尤其值得一提的，是它对离群值的处理。

110条数据被标记为离群值，占了13%，比例不小。

但Agent没有一刀切全删。

它分析了一下发现，其中一部分对应的是真实业务场景，比如渠道清库存促销带来的低价，以及HBM现货紧缺时的溢价，然后果断选择保留数据并单独做了标记，后续分析里分层处理。

数据审计完，紧接着是多维拆解。

按「品类×应用场景×厂商」交叉分析，准确捕捉到2026年2月下旬的价格拐点。HBM3e和企业级SSD周涨幅明显抬升，消费类DDR4与eMMC只是温和跟涨。

最终结论很犀利：本轮上涨是AI服务器需求带动的结构性修复，不是普涨。

数据分析能跑通了，更长的链路呢？

给Agent一个行业名，它交回一份调研报告

低空经济行业调研。

只给了一个题目，没有提供任何参考资料。

Agent先锚定了一个核心判断，2025到2026年是中国低空经济商业化的关键窗口期。

然后，它开始自主检索国内外主流厂商的最新进展，逐一比对机型、适航进展和订单数据。

这里有个细节。面对大量口径不一的公关稿和重复信息源，Agent精准提取出了UAM落地节奏、eVTOL核心零部件国产化率和关键环节成本占比。

随后，它又在此基础上自动生成了产业链结构图、成本占比饼图，并用TAM/SAM/SOM框架测算2025、2027、2030年市场规模。

最终给出的调研报告，有判断框架、有数据支撑、有可视化图表，远超「网上搜一圈拼在一起」的信息堆砌。

整个过程是sn-deep-research这个Skill在编排。

规划→分维度取证→综合→成稿，支持断点续跑。

23页PPT，连配色都替你想好了

城市新能源汽车充电基础设施布局与运营方案。

首先，内容结构上搭建了完整的七段式框架，行业背景、需求测算、选址模型、技术方案、运营模式、投资测算、政策建议。

最终交付的是一份23页的完整 PPT。

其次，每一部分都匹配了对应的视觉表达。选址模型页自动配置GIS热力示意图，运营模式页生成三种模式的对比矩阵，投资测算页给出利用率与回收期之间的敏感性分析图。

最后一页还给出了3条具体到行动主体和时间节点的落地建议。

生成即交付，打开就能编辑。

重点来了。

这份PPT不仅在OpenClaw里跑通了，同样的Skill拖进ChatGPT也能用。

把SenseNova-Skills仓库克隆到本地，通过ChatGPT的Skills入口导入，搭配GPT的原生能力，同样能跑出高质量的PPT。

四大类任务，不挑模型

到这里该揭底牌了。

前面四个场景背后跑的，是同一套东西，SenseNova-Skills。

来自商汤的团队把办公场景里最高频的能力拆成了四大类任务入口，每个入口底下挂着一串具体的Skills各司其职，刚在GitHub开源，MIT协议，覆盖了办公场景里最高频的需求。

1. 数据分析，sn-da-excel-workflow，多表读取、大文件超过1万行自动触发Parquet优化、清洗聚合导出，全流程编排。还有专门处理图片表格OCR的sn-da-image-caption。

2. 深度研究，sn-deep-research，下面挂了6个子Skills分别负责规划、取证、综合、成稿、格式发现、HTML转换，中间产物持久化，断点可续。

3. PPT生成，从sn-ppt-entry统一入口进入，支持标准模式和创意模式。标准模式的链路是大纲→逐页HTML→逐页VLM评审（不合格自动重写）→PPTX导出。

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，学术+开发者+中英文社交全覆盖。

另外，SenseNova-Skills还能通过调用SenseNova U1模型，完成高密度复杂的信息图生成，包含自动提示词扩写+VLM质检+质量排序。

每个Skill都是独立目录，通过SKILL.md声明什么时候触发、什么时候不触发。

Agent会根据指令自动选择和编排，不需要手动指定调哪个。

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

Skills提供流程知识和工具链编排，模型提供推理和决策。

怎么用，怎么装

模型搭子：SenseNova 6.7 Flash-Lite

虽说有了好用的Skills搭什么模型都可以，但最简单的还是日日新SenseNova 6.7 Flash-Lite——同量级第一，专门为Agent场景优化的轻量多模态模型。

Flash-Lite采用原生多模态架构，视觉信号和文本放在统一的感知链路中，看懂网页布局、文档结构、图表关系之后一步到位做决策，中间不经过文字转译。

这个架构带来两个直接结果。

1. Token消耗在信息搜索等场景中直降60%。任务越长省得越多，对于需要跑完整工作流的Agent来说，这是实打实的成本优势。

2. Agent基准测试成绩也很能打。PinchBench 92分同量级第一，Deep Planning 66分同量级第一，NovaPPTBench 92.4分第一，还在τ²-bench、GPQA-diamond、AA-LCR、MathVision、OCRBenchV2等多个维度领先同级别国内外模型。

模型API接入时，还有一个限时福利可以薅。

商汤通过SenseNova平台发放的Token Plan，活动首月可享每5小时1500次免费调用配额，相当于零成本上手。

模型选好了，接下来是部署。

两种方式，看你更喜欢哪种

想用这套Skills，两条路。

第一条，本地安装，自己配。

Skills仓库MIT协议开源，你可以用Agent Pack一键装，它集成了Hermes Agent和OpenClaw框架加全套Skills，配合免费Token Plan，装完就能跑。

也可以更灵活一点，直接克隆Skills仓库，把Skills目录拷进你自己的Agent框架就行。

甚至可以让Agent自己装，跟它说：

它自己就能克隆、拷贝、加载。

API兼容OpenAI格式，主流开源Agent框架平滑接入。

第二条，云端产品，开箱即用。

商汤的办公小浣熊目前已经把商汤全系SenseNova-Skills和U1信息图生成打包好了，1500万个人用户、数千家企业客户在用。

本地的好处是自由度高，想怎么魔改怎么魔改，适合折腾型选手。

云端的好处是省心，不用碰代码不用配环境，适合想直接用的人。

大模型竞争，回到交付

真实的未来不是「Agent取代人」，而是周一早晨：

分析师打开电脑，上周840条新报价已经清洗完毕；产品经理刚定完选题，调研报告草稿已经在桌面；总监还在路上，下午的汇报PPT已经生成，配色都替你想好了。

让这件事发生的，不是更大的模型，而是模型背后那套已经被打磨过的Skills。

代码在GitHub，MIT协议，我们先装上了。