简诗 AI 数据报告生成

报告生成的最后一公里

当你已经跑完数据分析、算出关键指标，真正耗时的往往是从"数据正确"到"报告可读"这一步。工程师需要在 Markdown、HTML、PDF 之间反复调整格式，手动把数字塞进模板，再逐段补充解释。更麻烦的是，每次换一种报告类型（sprint 复盘、运营分析、事故复盘），都要从头搭建结构。这个技能解决的正是这个"最后一公里"——你给结构化数据，它给一份可以直接发给团队的报告。

它如何工作

核心能力：

• 多格式输入：接受 JSON、CSV、YAML 或 API 原始响应，自动校验字段完整性、类型和缺失值。
• 模板驱动：内置 sprint_retrospective、financial_summary、analytics_dashboard、incident_postmortem、weekly_status 五种模板，每种定义了章节顺序、数据映射、图表类型和行文基调。
• 指标计算与洞察生成：不止输出"转化率 3.2%"这样的裸数字，而是给出"转化率较上期下降 0.8pp，主要由移动端流量减少 15% 导致"这样的因果叙述。
• 多格式渲染：Markdown 输出干净的 .md 文件；HTML 包裹样式模板并适配打印；PDF 通过 Puppeteer 或 WeasyPrint 转换，确保表格不跨页断行。

关键步骤：

1. 摄入与验证：检查必填字段、数据类型、缺失值和异常值。如果 sprint 数据缺少 velocity 字段，会明确标注并选择推断默认值或在报告中说明缺失。
2. 匹配模板：根据用户指定的报告类型选择模板，支持覆盖章节、增删字段或调整主题。
3. 计算与叙述：从原始数据派生百分比变化、平均值、排名、趋势方向和异常标记，并为每个数据表生成配套的解释性文字。
4. 填充与渲染：用计算指标、叙述洞察和格式化表格填充模板，生成图表规范（支持 Mermaid、Vega-Lite、Chart.js JSON）。
5. 质量检查：确认所有数据点可追溯到源数据，模板变量无残留，洞察有数据支撑。

适用边界

这个技能适合处理结构化、已有明确模板的报告场景。如果你需要自由发挥的创意写作、无固定结构的散文式分析，或者数据本身需要复杂的统计建模（如回归预测、机器学习），它不是合适的工具。它的价值在于：让已经算好的数据快速变成可交付的报告，而不是从零做数据分析。