随着各机构越来越依赖数据来做出更快、更明智的决策，数据分析技能也变得日益重要。借助 AI，许多数据任务——如清理数据集、识别趋势和生成洞察——现在都能更高效地完成。AI 技能提供可复用的工作流程和方法，帮助智能体以更结构化的方式执行这些分析任务。本指南将介绍 22 种可以简化数据工作流程、把原始数据转化为可执行洞察的数据分析技能。
什么是 AI 数据分析技能？
数据分析技能为 AI 智能体提供结构化的指令、工作流程和指导，用于处理基础的数据分析任务。它们帮助智能体整理数据、清理数据集、识别模式、生成图表、执行基本计算，并从原始信息中总结洞察。
Kimi 内置的 12 项 AI 数据管理与分析技能
Kimi 提供多种内置 AI 技能，简化数据处理、分析和报告的流程。无论你是在清理数据集、创建可视化图表，还是生成洞察，这些工具都能帮助自动化重复性任务，提升效率。以下是你可以在 Kimi 中体验的 12 项内置 AI 数据管理与分析技能。
| 技能名称 | 说明 |
|---|---|
| sql-insight | 将自然语言转换为 SQL，优化查询性能，并解读 SQLite 和 PostgreSQL 的 EXPLAIN 执行计划。当用户请求将问题转换为 SQL、优化慢查询、调优索引、分析执行计划，或提及 NL2SQL、查询调优、全表扫描等关键词时触发。 |
| auto-hypothesis-test | 自动为你的数据选择并运行合适的统计检验方法——ANOVA、卡方检验、Mann-Whitney 检验等，并对结果给出通俗易懂的解读。当你询问组间比较、显著性、p 值、假设检验，或提及 t 检验、ANOVA、卡方检验等具体方法时触发。 |
| correlation-auditor | 分析相关性矩阵（Pearson/Spearman），计算偏相关以控制混杂变量，并标记数据中潜在的伪相关。当用户询问变量间的关系、需要相关性矩阵，或提及 Pearson/Spearman 系数、偏相关、混杂因素、伪相关时触发。 |
| data-viz-renderer | 根据 JSON 数据生成自包含的 HTML/SVG 信息图，包括统计卡片、柱状图、流程图及混合仪表盘。提供 8 种配色方案及内置图标，无外部依赖。当用户请求数据可视化、信息图、图表或仪表盘时触发。 |
| dataset-quality-audit | 对表格数据（CSV/Excel/TSV/JSON）进行全面质量检查，检测缺失值、重复项、异常值、格式问题及类型不一致，生成总体评分、等级及可执行的改进建议。当用户请求检查数据质量、查找缺失或重复值、检测异常值、验证格式、数据概况分析或数据清洗时触发。 |
| discounted-cashflow-model | 构建现金流折现（DCF）估值模型，计算企业价值、股权价值及每股价格，并生成增长率×折现率敏感性分析矩阵。当用户请求“对\[公司]做 DCF”、“做一个估值”、“计算 WACC/折现率”，或提及自由现金流、终值、敏感性分析时触发。 |
| financial-ratio-toolkit | 根据用户提供的财务报表，计算 20 余项财务比率（盈利能力、偿债能力、流动性、效率及成长性）并进行杜邦分析，从而分析公司基本面。当用户请求计算财务比率、进行杜邦/ROE 分析，或提出“分析一下这些财务数据”“计算偿债能力比率”等诉求时触发。 |
| financial-statement-analyzer | 分析利润表、资产负债表和现金流量表数据，生成同比/环比趋势分析，并标记应收账款激增、现金流背离等异常情况。当用户请求分析财务状况、比较同比/环比数据、检测风险信号或评估盈利质量时触发。 |
| quick-strategy-backtest | 将交易策略描述（包括事件驱动研究、选股、组合构建等）转换为可运行的回测代码，并输出回测结果、可视化仪表盘及分析报告。当用户描述买卖条件、事件后收益、股票池筛选回测等量化场景时触发。 |
| regression-modeler | 对上传的 CSV/Excel 数据运行回归分析（OLS 或逻辑回归），生成系数、R²、p 值、VIF，并给出通俗易懂的解读。当用户请求回归建模、拟合数据、检验显著性、检查多重共线性，或提及 OLS、logit、系数、p 值、R 平方等关键词时触发。 |
| stock-research-report | 生成国泰海通/海通国际风格的证券研究报告，适用于中国股票研究、行业跟踪、投资笔记及金融研究文档。触发关键词：国泰海通、海通国际、行业跟踪、股票研究、证券研究，支持境内、境外双模板。 |
| stock-signal-analyzer | 分析 OHLCV 数据，计算 15 种以上技术指标（包括 MA、MACD、RSI、布林带、KDJ 等），并生成看多/看空信号总结及综合评估。当用户请求技术分析、计算 MACD 或 RSI 等指标、提及蜡烛图分析，或讨论均线交叉、布林带突破、RSI 超买超卖等信号时触发。 |
| value-investing-scorecard | 巴菲特/格雷厄姆价值投资评分卡——从护城河、管理层、财务、估值四个维度共 20 项标准评估企业，给出 0-100 分的评分。当用户请求价值投资分析、基本面评分、护城河评估，或提问“这家公司值得投资吗”“分析一下 XX 的基本面”“用巴菲特的方法评估一下”时触发。 |
| weighted-scorer | 构建用于技术选型、供应商评估及多标准方案对比的加权评分决策矩阵，引导你定义评估标准、分配权重、为各选项打分，并通过敏感性分析验证结果。当用户咨询决策矩阵、加权评分、方案对比、供应商选择，或自建与外购的取舍问题时触发。 |
| chart-image | 根据数据生成可用于发布的高质量 PNG 图表图片，支持折线图、柱状图、面积图、K 线图、饼图和热力图。当用户请求数据可视化、创建图表、绘制时间序列图，或为报告、告警、仪表盘生成图表时触发。以轻量级、无浏览器的 Node.js 无头进程运行。 |
| xlsx | 用于高级操作、分析和创建电子表格文件（包括但不限于 XLSX、XLSM 及 CSV 格式）的专用工具。核心功能包括公式部署、复杂格式设置（含用于财务任务的自动货币格式化）、数据可视化、强制的后处理重新计算，以及三表模型、DCF 估值、可比公司分析等以财务为核心的 Excel 建模工作流。 |
使用 Kimi 内置的 AI 数据分析技能
按照以下简单步骤，使用 Kimi 内置的 AI 技能，实现更快的数据分析、财务计算和自动化报告生成。
第 1 步：输入技能指令
在输入框中输入指令 /financial-ratio-toolkit，即可激活 Kimi 的财务数据分析技能。
第 2 步：开始你的研究任务
激活该技能后，描述你想让 Kimi 分析的数据集或财务分析需求。
示例提示词：
接下来，Kimi 会自动分析数据、完成所需计算，并生成包含关键洞察的结构化报告，帮助你更快做出决策。
第 3 步：查看并下载文档
查看生成的报告，进行必要的编辑，然后下载最终文档以便进一步分析、分享或展示。
解锁 6 个更多开源数据分析技能
开源技能为 AI 智能体提供针对不同数据分析任务的专用工作流。将这些技能安装到 Kimi 中后，你可以自动化数据处理、进行更深入的分析，并为处理复杂数据集打造更高效的工作流。以下是 6 个值得尝试的开源数据分析技能。
| 技能名称 | 说明 | URL |
|---|---|---|
| data-analytics-skills | 一套包含 31 个可移植 AI 技能的合集，覆盖分析师工作流程的各个环节，包括数据质量检查、深度分析、文档撰写、仪表盘创建以及与利益相关方的沟通。 | https://github.com/nimrodfisher/data-analytics-skills |
| d3-visualization-skill | 全面的 D3.js 技能，可帮助智能体创建复杂的交互式数据可视化，包括柱状图、折线图、力导向图、桑基图、树状图、旭日图以及用于仪表盘和报告的分级设色地图。 | https://github.com/nexu-io/open-design/blob/main/skills/d3-visualization/SKILL.md |
| tufte-data-viz-skill | 应用 Edward Tufte 的数据可视化原则，包括高数据墨比、简洁的图表设计、直接标注、小型多图和迷你图，跨可视化库创建简洁易读的图表。 | https://github.com/caylent/tufte-data-viz |
| mckinsey-style-visualization-skill | 帮助将原始业务笔记转化为可直接用于高管汇报的咨询级视觉呈现，包含洞察驱动的标题、视觉层级、可复用的幻灯片规范以及质量评估框架。 | https://github.com/kgraph57/mckinsey-style-visualization-skill |
| data-visualization-report-skill | 将 CSV、Excel 或 JSON 数据转换为包含 KPI 卡片、Chart.js 图表和数据表的精美可视化报告，并支持基于模板生成商业和金融场景的报告。 | https://github.com/nexu-io/open-design/blob/main/skills/data-report/SKILL.md |
| analytics-tracking-measurement-strategy | 通过制定衡量策略、事件分类体系、数据质量审查和埋点实施工作流程，帮助设计、审计和改进数据分析追踪系统。 | https://github.com/diegosouzapw/awesome-omni-skills/blob/main/skills/analytics-tracking/SKILL.md |
在 Kimi 中使用开源数据分析技能
按照以下简单步骤，在 Kimi 中安装一个开源 AI 技能，并将其用于高级数据分析和报告任务。
第 1 步：输入提示词
打开 Kimi 对话，在提示词中提供你想安装的开源数据分析技能的 GitHub URL。
示例提示词：
第 2 步：让 AI 自动安装技能
Kimi 会根据你提供的 GitHub URL 自动下载、配置并准备好该技能。安装完成后，该技能即可在你的工作空间中使用。
第 3 步：使用该技能
点击“添加到我的技能”，将已安装的技能添加到 Kimi 中，然后选择“立即体验”即可激活。启用后，上传你的数据集或描述分析任务，该技能便能帮你更高效地清洗数据、完成计算、生成洞察并制作结构化报告。
借助自定义 AI 技能，让数据分析更进一步
按照以下简单步骤，构建一个自定义 AI 技能，实现数据分析工作流自动化，让重复性任务处理更高效。
第 1 步：进入“文档转技能”工具
打开 Kimi 技能，点击“文档转技能”。这项功能可以将你的数据分析文档转化为可复用的 AI 技能。
第 2 步：上传文件
上传包含你想要自动化的知识的电子表格、CSV 文件、报告、SQL 文档、分析指南或工作流文档。Kimi 会提取其中的关键信息，构建出结构化的 AI 技能。
第 3 步：创建并使用你的技能
查看生成的 AI 技能，如有需要可完善其指令，并保存到你的工作空间。之后，你就可以用这个自定义技能自动化数据处理、生成报告，简化后续的分析任务。
你可以随时对其进行编辑，或将其导出为 .md 文件，用于分享或在其他项目中使用。
使用 AI 数据分析技能的技巧
有效使用 AI 首先要提供正确的数据和清晰的指令。遵循以下最佳实践，可以提高数据分析技能的准确性，生成更有价值的洞察。
先明确分析目标
为 AI 智能体提供具体的问题、目标和期望输出，帮助它们专注于相关数据，生成更有用的洞察。
分析前先准备并验证数据
确保数据集完整、格式规范，且没有明显错误。干净的数据有助于 AI 智能体产出更准确的分析结果。
根据分析需求选择合适的技能
针对不同任务使用不同的技能，例如数据清洗、可视化、报告生成、预测或仪表盘创建。
提供背景信息和业务背景
提供数据集、行业、目标受众和决策目标等信息，帮助 AI 智能体更有效地解读结果。
审查并优化 AI 生成的洞察
检查分析结果，验证重要发现，并在必要时调整指令，以提高后续输出的准确性和一致性。
结语
无论你是在培养基础数据分析技能，还是在自动化复杂工作流程，AI 都能节省时间并提升准确性。扎实的数据分析技能可以帮助你更高效地处理信息，做出更好的数据驱动决策。借助 Kimi，你可以利用内置、开源以及自定义的 AI 技能，简化数据分析流程，把原始数据转化为可付诸行动的洞察。