什么是 xlsx-pro？

xlsx-pro 技能是一个强大的工具集，专为以编程方式创建和修改电子表格文件（包括 .xlsx、.xlsm、.csv 和 .tsv 格式）而设计。它经过专门设计，通过优先使用原生 Excel 公式而非硬编码数值，超越了静态数据导出。这确保了最终交付物对最终用户保持动态且功能完整。作为 Openclaw Skills 的关键组成部分，它填补了原始数据处理与专业商业报告之间的空白。

通过结合用于数据分析的 pandas 和用于精确格式化的 openpyxl 的强大功能，xlsx-pro 允许代理构建符合严格质量标准的复杂工作簿。它包含财务建模的具体协议，例如输入值和计算值的标准化颜色编码，确保所有生成的电子表格都符合审计要求且外观专业。

下载入口:https://github.com/openclaw/skills/tree/main/skills/ricobaboule/xlsx-pro

安装与下载

1. ClawHub CLI

从源直接安装技能的最快方式。

2. 手动安装

将技能文件夹复制到以下位置之一

优先级：工作区 > 本地 > 内置

3. 提示词安装

将此提示词复制到 OpenClaw 即可自动安装。

xlsx-pro 应用场景

• 创建具有动态增长率和总和的自动化财务模型。
• 将混乱的原始数据清洗并格式化为结构化的、客户就绪的 Excel 报告。
• 将旧版 CSV 或 TSV 文件转换为具有多个选项卡的带样式工作簿。
• 对现有电子表格进行大规模更新，同时保留原始模板和样式。
• 审计复杂工作簿以检测并解决公式错误，如 #REF! 或 #DIV/0!。

1. 分析请求以确定工作流是否需要 pandas 进行数据处理或 openpyxl 进行结构格式化。
2. 初始化新工作簿或加载现有模板，确保保留所有预先存在的样式。
3. 将数据插入单元格，同时将 Python 逻辑映射到原生 Excel 公式，以保持工作簿的交互性。
4. 应用专业样式，包括特定的字体系列和行业标准颜色编码（例如，硬编码输入为蓝色，公式为黑色）。
5. 执行无头 LibreOffice 进程以重新计算所有工作簿公式并验证计算准确性。
6. 生成验证报告，在最终交付前识别并纠正任何剩余的表格错误。

xlsx-pro 配置指南

要从 Openclaw Skills 集成此功能，您必须安装所需的 Python 库和用于公式重算的 LibreOffice 无头环境。

pip install openpyxl pandas xlrd xlwt

在基于 Debian 的系统（Ubuntu）上，安装 LibreOffice Calc 以启用重算引擎：

sudo apt-get install libreoffice-calc libreoffice-common

xlsx-pro 数据架构与分类体系

xlsx-pro 技能使用分层电子表格分类法组织数据，确保跨不同表格格式的兼容性：

它维持严格的元数据策略，模板约定始终优先于默认样式。

name: xlsx-pro
description: "Compétence pour manipuler les fichiers Excel (.xlsx, .xlsm, .csv, .tsv). Utiliser quand l'utilisateur veut : ouvrir, lire, éditer ou créer un fichier tableur ; ajouter des colonnes, calculer des formules, formater, créer des graphiques, nettoyer des données ; convertir entre formats tabulaires. Le livrable doit être un fichier tableur. NE PAS utiliser si le livrable est un document Word, HTML, script Python standalone, ou intégration Google Sheets."
version: "1.0.1"
author: "Eric Barotte"

Compétence Excel pour OpenClawd

TL;DR

• Génère/édite des fichiers Excel avec des formules (pas des valeurs hardcodées).
• Optionnel: recalcul via LibreOffice headless + détection d’erreurs Excel.
• Livrable attendu: un fichier tableur propre (XLSX/XLSM/CSV/TSV).

Prérequis

Dépendances Python

pip install openpyxl pandas xlrd xlwt

LibreOffice (pour recalcul des formules)

# Ubuntu/Debian
sudo apt-get install libreoffice-calc libreoffice-common

Règles de Qualité

Police Professionnelle

• Utiliser une police cohérente (Arial, Times New Roman) sauf instruction contraire

Zéro Erreur de Formule

• Tout fichier Excel DOIT être livré SANS erreurs (#REF!, #DIV/0!, #VALUE!, #N/A, #NAME?)

Préservation des Templates

• Respecter EXACTEMENT le format et style existants lors de modifications
• Les conventions du template préexistant ont TOUJOURS priorité

Standards pour Modèles Financiers

Code Couleur (Standards Industrie)

• Texte bleu (RGB: 0,0,255) : Inputs hardcodés, valeurs modifiables
• Texte noir (RGB: 0,0,0) : TOUTES les formules et calculs
• Texte vert (RGB: 0,128,0) : Liens vers autres feuilles du même classeur
• Texte rouge (RGB: 255,0,0) : Liens externes vers autres fichiers
• Fond jaune (RGB: 255,255,0) : Hypothèses clés ou cellules à mettre à jour

Formatage des Nombres

• Années : Format texte ("2024" pas "2,024")
• Devises : Format $#,##0 ; spécifier unités dans les en-têtes ("Revenue ($mm)")
• Zéros : Afficher comme "-" (format: "$#,##0;($#,##0);-")
• Pourcentages : Format 0.0% par défaut
• Multiples : Format 0.0x (EV/EBITDA, P/E)
• Négatifs : Parenthèses (123) pas moins -123

CRITIQUE : Utiliser des Formules, PAS des Valeurs Hardcodées

TOUJOURS utiliser des formules Excel au lieu de calculer en Python et hardcoder.

? MAUVAIS - Hardcoding

# Mauvais: Calcul Python puis hardcode
total = df['Sales'].sum()
sheet['B10'] = total  # Hardcode 5000

# Mauvais: Taux de croissance calculé en Python
growth = (df.iloc[-1]['Revenue'] - df.iloc[0]['Revenue']) / df.iloc[0]['Revenue']
sheet['C5'] = growth  # Hardcode 0.15

? CORRECT - Formules Excel

# Bon: Laisser Excel calculer
sheet['B10'] = '=SUM(B2:B9)'

# Bon: Taux de croissance en formule Excel
sheet['C5'] = '=(C4-C2)/C2'

# Bon: Moyenne en fonction Excel
sheet['D20'] = '=AVERAGE(D2:D19)'

Workflows

Workflow Standard

1. Choisir l'outil : pandas pour données, openpyxl pour formules/formatage
2. Créer/Charger : Nouveau classeur ou fichier existant
3. Modifier : Données, formules, formatage
4. Sauvegarder : écrire le fichier
5. Recalculer (OBLIGATOIRE si formules) : python scripts/recalc.py output.xlsx
6. Vérifier et corriger les erreurs détectées

Lecture et Analyse avec pandas

import pandas as pd

# Lire Excel
df = pd.read_excel('file.xlsx')  # Première feuille par défaut
all_sheets = pd.read_excel('file.xlsx', sheet_name=None)  # Dict de toutes les feuilles

# Analyser
df.head()      # Aper?u
df.info()      # Info colonnes
df.describe()  # Statistiques

# écrire
df.to_excel('output.xlsx', index=False)

Création de Fichiers Excel

from openpyxl import Workbook
from openpyxl.styles import Font, PatternFill, Alignment

wb = Workbook()
sheet = wb.active

# Données
sheet['A1'] = 'Hello'
sheet['B1'] = 'World'
sheet.append(['Row', 'of', 'data'])

# Formule
sheet['B2'] = '=SUM(A1:A10)'

# Formatage
sheet['A1'].font = Font(bold=True, color='FF0000')
sheet['A1'].fill = PatternFill('solid', start_color='FFFF00')
sheet['A1'].alignment = Alignment(horizontal='center')

# Largeur colonne
sheet.column_dimensions['A'].width = 20

wb.save('output.xlsx')

édition de Fichiers Existants

from openpyxl import load_workbook

# Charger fichier existant
wb = load_workbook('existing.xlsx')
sheet = wb.active  # ou wb['NomFeuille']

# Parcourir les feuilles
for sheet_name in wb.sheetnames:
    sheet = wb[sheet_name]
    print(f"Feuille: {sheet_name}")

# Modifier
sheet['A1'] = 'Nouvelle Valeur'
sheet.insert_rows(2)  # Insérer ligne
sheet.delete_cols(3)  # Supprimer colonne

# Ajouter feuille
new_sheet = wb.create_sheet('NouvelleFeuille')
new_sheet['A1'] = 'Data'

wb.save('modified.xlsx')

Recalcul des Formules

Les fichiers créés par openpyxl contiennent les formules comme cha?nes mais pas les valeurs calculées. Utiliser le script recalc.py :

python scripts/recalc.py  [timeout_secondes]

Le script :

• Configure automatiquement la macro LibreOffice au premier lancement
• Recalcule toutes les formules
• Scanne TOUTES les cellules pour erreurs Excel
• Retourne JSON avec détails et emplacements des erreurs

Interprétation de la Sortie

{
  "status": "success",           // ou "errors_found"
  "total_errors": 0,             // Nombre total d'erreurs
  "total_formulas": 42,          // Nombre de formules
  "error_summary": {             // Présent si erreurs
    "#REF!": {
      "count": 2,
      "locations": ["Sheet1!B5", "Sheet1!C10"]
    }
  }
}

Checklist de Vérification

Vérifications Essentielles

• Tester 2-3 références : Vérifier qu'elles tirent les bonnes valeurs
• Mapping colonnes : Confirmer correspondance (colonne 64 = BL, pas BK)
• Offset lignes : Excel est 1-indexé (DataFrame row 5 = Excel row 6)

Pièges Courants

• Gestion NaN : Vérifier valeurs nulles avec pd.notna()
• Colonnes éloignées : Données FY souvent en colonnes 50+
• Correspondances multiples : Chercher toutes les occurrences
• Division par zéro : Vérifier dénominateurs (#DIV/0!)
• Références invalides : Vérifier que toutes pointent vers cellules existantes (#REF!)
• Références inter-feuilles : Format correct (Sheet1!A1)

Bonnes Pratiques

Sélection de Bibliothèque

• pandas : Analyse de données, opérations en masse, export simple
• openpyxl : Formatage complexe, formules, fonctionnalités Excel spécifiques

Avec openpyxl

• Indices de cellules en base 1 (row=1, column=1 = cellule A1)
• data_only=True pour lire valeurs calculées
• Attention : Sauvegarder après data_only=True remplace définitivement les formules par les valeurs
• Pour gros fichiers : read_only=True ou write_only=True

Avec pandas

• Spécifier types de données : pd.read_excel('file.xlsx', dtype={'id': str})
• Pour gros fichiers, colonnes spécifiques : usecols=['A', 'C', 'E']
• Gestion des dates : parse_dates=['date_column']

Style de Code

IMPORTANT : Code Python minimal et concis, sans commentaires superflus.

Pour les fichiers Excel :

• Commenter les cellules avec formules complexes
• Documenter les sources des données hardcodées
• Inclure notes pour calculs clés