简体中文 | English
SenseNova 系列模型可直接接入 OpenClaw、hermes-agent 等智能体；本仓库的 skills 则把这些模型扩展为可直接落地的端到端办公能力。
本项目每个技能位于独立目录中，通过 SKILL.md 声明触发条件、能力边界和执行方式，遵循 Agent Skills 规范。
技能覆盖 图像生成与可视化、演示文稿生成、Excel 数据分析、深度研究 等场景，可独立使用，也可组合成端到端工作流。
🎨 想看它到底能干啥？ 点击逛 sn-infographic 案例画廊，探索近 100 个有趣生成案例，顺便 “ 偷师 ”一下 Prompt 应该怎么写！
本仓库的最新模型与全系 Cowork-Skill，已整体集成进 小浣熊，提供企业级安全防护与开箱即用的丝滑体验——如果你不想自己搭环境、配 API key，可以直接通过小浣熊使用这些能力。支持免费试用，无需付费即可上手体验。
小浣熊本次迎来产品能力与客户端体验的全面升级：
- 三大核心办公能力全面增强：依托 SenseNova 6.7 Flash 与 Cowork-Skill，数据分析、PPT 生成、任务规划进一步强化，覆盖多文件清洗分析、正式汇报 PPT、行业研究 / 竞品分析 / 投研报告等复杂知识工作的完整闭环。
- 新增信息图生成功能：基于 SenseNova U1 模型，将复杂数据、长篇报告与业务洞察压缩为高密度、结构化、视觉化的信息图，让复杂内容更易理解、更适合传播。
- 全新客户端 + 本地 Agent OS：云端模型负责复杂推理与多模态理解，本地 Agent OS 围绕本地文件、工作上下文与个人使用习惯，带来更个性化、本地化、安全化的 AI 原生办公体验。
- 规模化验证：1500 万个人用户、数千家企业用户的共同选择。
👉 立即体验：xiaohuanxiong.com
本仓库的 skill 需要配合支持 Agent Skills 规范的智能体使用。
- 推荐运行时：OpenClaw 或 hermes-agent。
- 推荐 LLM：配合使用 SenseNova 平台 API（提供免费 token 套餐）。
- 安装与配置：完整流程请参考
INSTALL_CN.md。
推荐做法：直接让 agent 帮你装好这些 skill。 把仓库地址交给它，让它自己克隆并把内容拷贝到目标目录，例如：
"请帮我把 https://github.com/OpenSenseNova/SenseNova-Skills 安装到你的 skills 目录。"
安装完成后，可能需要手动重启 agent 服务，新 skill 才会被加载。
| 智能体 | 目标目录 |
|---|---|
| OpenClaw | ~/.openclaw/skills/ |
| hermes-agent | ~/.hermes/skills/ |
想手动安装？
克隆本仓库，然后把 skills/ 下的子目录自行复制（或软链接）到目标目录：
git clone https://github.com/OpenSenseNova/SenseNova-Skills.git --depth=1
mkdir -p ~/.openclaw/skills
cp -r SenseNova-Skills/skills/* ~/.openclaw/skills/
Hermes 把目录换成 ~/.hermes/skills/ 即可。
各分类技能的 Python 依赖、API key 与调用示例同样请参考对应分类的 📖 详细使用指南。
📖 详细使用指南：docs/sn-image-generate.md（环境要求、Quick Start、API 配置与调用样例）。
| 名称 | 标签 | 描述 |
|---|---|---|
sn-image-doctor | 环境诊断 | 检查 SenseNova-Skills 环境，验证 sn-image-base 安装、Python 依赖与必填环境变量；交互式补齐缺失项并写入 .env。 |
sn-image-base | 图像基础层（Tier 0） | 提供文生图（sn-image-generate）、图像识别（sn-image-recognize）与文本优化（sn-text-optimize）三个底层工具，统一通过 sn_agent_runner.py 调用，供上层技能复用。 |
sn-infographic | 信息图生成（Tier 1） | 自动评估提示词、从 87 种布局 / 66 种风格中选型，多轮生成 + VLM 评审 + 质量排序，输出专业级信息图。 |
sn-image-imitate | 图像风格模仿（Tier 1） | 给定一张参考图像和目标内容描述，模仿其风格生成新图像。 |
sn-image-resume | 简历图片生成（Tier 1） | 给定一份简历信息，生成简历图片。 |
📖 详细使用指南：docs/sn-ppt-generate_cn.md（环境要求、Quick Start、API 配置与调用样例）。
| 名称 | 标签 | 描述 |
|---|---|---|
sn-ppt-entry | PPT 入口 | PPT 生成功能的统一入口，收集角色 / 受众 / 场景 / 页数 / 模式（创意 or 标准），解析 pdf / docx / md / txt 输入，产出 task_pack.json + info_pack.json 并分派到下游模式。 |
sn-ppt-doctor | PPT 环境诊断 | PPT 流水线的环境检查，验证 sn-image-base、API key、Node 运行时与可选依赖；按需写入 .env。 |
sn-ppt-creative | PPT 创意模式 | 每页一张 16:9 全图（PNG），按页面构图 prompt 走 sn-image-generate 一次性出图。 |
sn-ppt-standard | PPT 标准模式 | style_spec → 大纲 → 资产规划 + 分槽位图像 + VLM 质检 → 分页 HTML → 分页评审（可选重写）→ 汇总 review.md → 导出 PPTX。 |
📖 详细使用指南：docs/sn-data-analysis_cn.md（环境要求、Quick Start、API 配置与调用样例）。
| 名称 | 标签 | 描述 |
|---|---|---|
sn-da-excel-workflow | Excel 分析编排 | Excel 多表读取、大文件检测（≥10k 行触发 Parquet 优化）、清洗、条件过滤、跨表聚合、Excel/CSV 导出的全流程编排。 |
sn-da-image-caption | 图像理解与数据提取 | 图像类输入做表格 OCR / 图表解读 / 截图描述 / UI 描述；可解析为 DataFrame、复绘可视化、导出 Excel/CSV。 |
sn-da-large-file-analysis | 大文件高性能分析 | ≥10k 行 Excel 的流式读取（openpyxl read_only + iter_rows）、Parquet 转换、内存优化、分块处理与大文件写入模式。 |
📖 详细使用指南：docs/sn-deep-research_cn.md（环境要求、web_search 硬检查、Quick Start 与各阶段调用）。
| 名称 | 标签 | 描述 |
|---|---|---|
sn-deep-research | 深度研究入口 | 深度研究功能的统一入口，规划 → 分维度取证 → 综合 → 成稿（report.md）的全流程编排器，产物落盘到 report_dir，支持断点续跑。 |
sn-research-planning | 研究规划 | 基于 request.md 一次性产出 plan.json，覆盖定界、报告形态、维度拆解、关键问题、搜索策略、依赖与完成标准。 |
sn-dimension-research | 单维度取证 | 按 plan.json 中维度的 search_strategy 调用搜索、筛选证据、交叉验证，产出 sub_reports/{dimension_id}.md。 |
sn-research-synthesis | 综合判断 | 把多个 sub_reports 综合为 synthesis.md，明确主线判断、证据强弱、跨维度共识、关键冲突与不确定性。 |
sn-research-report | 终稿写作 / 改写 | 把判断层落成最终 report.md；也可对已有报告做重写、润色、重组结构、补充表格等定向编辑。 |
sn-report-format-discovery | 报告形态发现 | 研究"这类报告应该长什么样"，给出章节结构、必备元素与风格约束；可独立使用，也可为 sn-deep-research 的 report_shape 提供依据。 |
sn-md-to-html-report | Markdown → HTML 报告 | 把研究产出的 report.md（或任意 Markdown 文档）转换成单文件、可离线打开的 HTML 阅读视图——内嵌图片、侧栏目录、自适应表格，并自动修复表格分隔符。 |
📖 搜索技能与深度研究合并在同一份文档：docs/sn-deep-research_cn.md（含各平台 API key、调用方式与统一 JSON 输出）。
| 名称 | 标签 | 描述 |
|---|---|---|
sn-search-academic | 学术搜索 | ArXiv（含 HTML 全文按章节读）/ Semantic Scholar（含引用数）/ PubMed（含 PMC 开放获取全文）/ Wikipedia 四平台聚合。 |
sn-search-code | 开发者搜索 | GitHub（仓库 / 代码 / Issue）/ Stack Overflow / Hacker News / HuggingFace（模型 / 数据集 / Space）四平台聚合。 |
sn-search-social-cn | 中文社交搜索 | B 站 / 知乎 / 抖音 三个中文社交平台搜索；部分平台需 cookie 认证。 |
sn-search-social-en | 英文社交搜索 | Reddit / Twitter (X) / YouTube 三个英文社交平台搜索。 |
sn-infographic 的部分生成效果（更多样例见 docs/sn-infographic-examples_CN.md）。
examples/memory-price-end2end-analysis。智能体先对原始报价 CSV 做字段刻画、品类与时间戳标准化，然后从「整体走势」「分品类涨幅 Top」「服务器级 vs 消费级背离」三个角度刻画本轮上涨，沿途定位 2 月下旬的拐点。把数据结论作为新的研究问题，转入深度调研：按维度规划检索（供给收缩、AI 服务器需求、原厂控产），并在不同来源之间交叉验证证据后再写入报告。数据 + 研究结论一并交给 PPT 生成：先排 16 页大纲、规划每页素材，再生成分页 HTML、做 VLM 评审、最后把分页截图合成 PPTX。最终是一条清晰的三段叙事：价格在涨 → 为什么涨 → 怎么应对。这是仓库里唯一一个完整跑过 数据分析 → 深度调研 → PPT 的端到端样例。
examples/employee-performance-analysis。智能体先把 10 份分散的月度考核 xlsx 读入，对齐各月列结构，纵向拼成一张长表。在这张表上分别做总体视角（月度均值趋势、得分分布箱线图、等级占比变化、38 个岗位排名）和个体视角（优秀 / 待提升 / 持续进步三类员工，配合个人年度走势）的分析。结论部分把改进建议落到具体岗位和具体员工，并用 8 张图表佐证。同样的内容产出 Word 版（适合下发）和可视化 HTML 版（适合浏览）两种形态。这个样例展示了 sn-da-excel-workflow 如何把「一堆零散的小表」当成一次完整分析来处理。
- 依赖技能：
sn-da-excel-workflow
examples/embodied-ai-deep-research。给定一个行业关键词后，智能体先列出研究维度（市场规模、玩家份额、融资、成本结构、发展路线），而不是直接撒网搜索。每个维度按计划做定向检索、抓取并阅读原始页面，提取数值与定性证据；不同来源之间出现冲突的数字会先做 reconcile 再落到报告里。综合阶段把各维度证据串成一条连贯的行业叙事，而不是一堆互不连接的要点。最终产出是一份图文并茂的报告（Markdown + 可视化 HTML），含 5 张分维度的配图。这个样例展示了 sn-deep-research 如何把一句「调研 X」变成「先规划再执行、证据可追溯」的结构化闭环。
- 依赖技能：
sn-deep-research
examples/property-fee-pricing-ppt。智能体读到一份开放式输入（主题：物业费定价；受众：物业管理人员 + 物业委员会；26 页；黑白温馨风），先确定大纲，再产出符合风格规范的逐页素材计划。每一页以语义化的 HTML 方式构造，而不是直接出整页大图：文案、版式、配图、图标、需要的数据图表都是分槽位规划的。素材按槽位生成或选型，并由 VLM 对照页面意图做质检；每页 HTML 渲染出来后再走一轮评审与按需改写，保证用语和视觉一致性。最后把分页截图合成 PPTX，分页 HTML 也保留下来，便于直接在浏览器里预览或继续修改。这个样例展示了 sn-ppt-standard 在一份偏文本、长篇幅的方案稿上如何在每一页都遵守同一套受众和配色约束。
欢迎以本仓库的技能为模板创建你自己的 OpenClaw 技能。一个好技能的核心要素：
- 清晰的触发条件：在
description中写明"什么时候用 / 什么时候不用"，让智能体准确识别 - 聚焦的能力边界：每个技能只把一件事做好，复杂工作流通过多个技能编排实现
- 完善的文档：包含示例、产物约定、边界情况与失败处理
- 必要的支撑资源：通过
references/、scripts/、prompts/提供补充上下文
欢迎加入我们的交流群，分享反馈、获取支持，并第一时间了解最新进展。扫描下方二维码即可加入——期待你的声音！
MIT — 详见 LICENSE。
