OpenClaw两大SKILL实测：查数与归因效率翻倍

先给出几个核心判断。把小龙虾（OpenClaw）接入 Aloudata CAN 语义层后，通过六轮对话就能从「上月销售额多少」一路追问到「江西电商渠道销售额环比下降 67%，主因是购买用户数从 28 骤降至 8」，最终自动生成一份包含因子拆解和城市下钻的 HTML 归因报告。本文是配套的上手实操指南——涵盖安装、提问到进阶调优，帮你完整跑通全流程。

完整演示视频地址：

https://www.bilibili.com/video/BV16AAjzKEYU/

看完视频，你大概率会冒出三个问题：

一、我自己能搞定部署吗？ ——可以，十分钟内搞定。

二、它的工作原理是什么？ ——两个 SKILL + Aloudata CAN 语义层 API，不是魔法，是工程化组合。

三、能自定义或开发新的 SKILL 吗？ ——完全可以，而这正是最有价值的部分。

一、十分钟快速部署

需要准备的组件

安装流程

第一步：安装 SKILL。

两个 SKILL 已发布到 ClawHub，按你习惯的方式安装即可。若出现安全提示，点击「仍然安装」继续。这是因为 SKILL 需要 API Key 但未在配置中声明，不影响正常使用。

第二步：配置 API Key。

SKILL 通过 Aloudata CAN Gateway 访问数据，Gateway 需要 API Key 进行认证。将你的 Key 写入 OpenClaw 的环境变量文件 ~/.openclaw/env：

CAN_API_KEY=cgk-你的Key

完成后建议重启 OpenClaw，然后开启一个新会话。旧会话不会自动获取新环境变量。SKILL 调用 Gateway 时会通过 X-API-Key 请求头自动携带该 Key，不会明文出现在 SKILL 文件或对话记录中。

第三步：开始提问。

就这么简单。直接试问：「上月销售额是多少？」

你会连到的数据

Demo 环境是一个零售场景数据集：54 个指标（销售额、客单价、购买用户数、UV、转化率等）、58 个维度（渠道、省份、城市、品牌、品类、性别等）。数据涵盖多个月份，足以进行各类同环比和归因分析。你也可以直接问小龙虾「有哪些指标和维度？」，它会列出所有可用的元素。

不用担心「问错」——语义层已定义所有指标的口径和计算逻辑，你用自然语言提问，它翻译成结构化查询，不存在「写错 SQL」的可能。

二、两个 SKILL，各司其职

很多人看完视频以为这是一个大而全的「AI 分析师」Agent——其实不然。我们拆成两个独立的 SKILL，职责明确。

metric-query：负责数据查询的 SKILL

这个 SKILL 只做一件事：将你的自然语言翻译成语义层的指标查询 API 请求。

你说「上月各渠道的销售额和环比」，它执行以下步骤：

1. 先调用 Aloudata CAN 搜索 API，找到「销售额」对应的指标名 retail_amt
2. 再调用 Aloudata CAN 维度 API，确认「渠道」对应的维度名 first_channel
3. 然后构造一条结构化的 JSON 请求
4. 发送给指标查询 API，获取数据
5. 用自然语言将结果反馈给你

关键在第 1 和第 2 步——它不是凭记忆猜测指标名和维度名。每次查询前，它都会先向 Aloudata CAN 语义层的 Gateway 搜索，确认指标和维度确实存在。这就是它不会「幻觉」出不存在的指标的原因。

该 SKILL 支持的查询能力包括：基础查询、同环比（年/季/月/周/日）、占比、排名、维度筛选、结果筛选（基于指标值）、临时指标定义、时间限定、多层聚合——几乎所有常见的数据查询操作，它都能翻译成对应的 API 请求。

metric-attribution：负责归因分析的 SKILL

这个 SKILL 是一个诊断流程的编排器。当你问「为什么跌了」，它不是调用一次 API 就结束，而是按照一套诊断逻辑执行多个步骤：

Step 1 → 确认波动事实：变化幅度多大？与什么基准对比？
Step 2 → 因子拆解：哪个业务环节出了问题？（如 销售额 = 用户数 × 客单价）
Step 3 → 维度归因：问题集中在哪个渠道、哪个地区、哪个品类？
Step 4 → 外部事件关联：有无天气、促销、政策等外部因素？
Step 5 → 综合诊断报告：将所有发现串联成因果链

每一步都会调用 metric-query 的查询能力取数据，然后在本地进行归因计算（包括 Shapley 值分解），最后汇总成报告。视频中深色主题的 HTML 归因报告就是 Step 5 的输出成果。

为什么要拆成两个 SKILL？ 因为查数和归因是两个使用频率完全不同的操作。日常 80% 的场景是「查个数」——metric-query 轻量、快速、一问一答。只有当发现数据异常、需要深挖原因时，才触发 metric-attribution 的完整诊断流程。拆开后，简单问题不走复杂流程，复杂问题则有专门的方法论支撑。

三、如何提问效果最佳

安装好 SKILL 后，你会发现「怎么问」直接决定了回答质量。以下是我们测试中总结的提问技巧。

查数：讲清楚四要素

小龙虾在后台会将你的问题拆解为四个维度——你说得越清晰，它翻译得越精准：

高效提问示例：

「上月各一级渠道的销售额环比及占比情况如何？按占比从高到低排序。」——这个提问覆盖了全部四个维度。

低效提问示例：

「数据怎么样？」——过于模糊，小龙虾无法确定你要看什么指标、什么时间、什么维度，只能随机猜测。

归因：给出业务公式

若要执行归因分析，最有效的做法是直接将业务公式告诉它。视频中的提问就是一个好范例：

「江西环比下降这么多（销售额=购买用户数×客单价），生成一个归因诊断报告」

括号内的公式告诉小龙虾：销售额可以拆为两个因子进行分析。有了这个公式，它才能判断「是用户减少了还是价格降低了」。如果你不提供公式，它也能进行维度归因（按渠道、地区等维度来拆解贡献度），但缺少因子拆解这一层，分析深度会打折扣。

追问：跟随它的建议推进

你可能会注意到视频中小龙虾经常主动给出下一步建议——「要不要帮你看看是哪个渠道拖的后腿？」「要不要继续下钻江西？」这不是客套话，而是它根据当前数据判断出的合理分析方向。如果你不确定接下来问什么，跟随它的建议通常不会出错。当然，你也可以完全忽略它的建议，按自己的思路继续追问。

常见易错点

「同比」和「环比」不要混用。 小龙虾对这两个词的理解非常严格——「同比」默认是年同比（yoy），「环比」根据时间粒度选择（月环比=mom，周环比=wow）。如果你需要月同比，请明确说「月同比」而非「同比」。

避免笼统的排名请求。 「销售额排名前 10」——什么时间段？哪个维度？如果你没指定，它会使用默认策略（通常是近 30 天），但可能并非你想要的。

筛选条件要精确。 你说「按渠道筛选」，但系统中有「一级渠道」（first_channel）和「二级渠道」（second_channel）两个维度——查询结果很可能不符合预期。不确定时，先问「渠道有哪些维度和值？」让它列出后再选择。

四、背后调用了哪些 API

如果你是工程师，想深入了解底层机制，下面拆解 SKILL 背后的 API 体系。

Gateway：所有请求的入口

两个 SKILL 的所有请求都经过同一个 Gateway：https://gateway.can.aloudata.com。Gateway 内置了认证，你不必在每次请求中手动传递 token。Gateway 暴露了两类 API：

搜索类（用于查找指标和维度）：

• GET /api/metrics/search?keyword=销售额 — 搜索指标
• GET /api/metrics/{metricName}/dimensions — 查询某个指标有哪些维度
• GET /api/metrics/dimensions?metricNames=指标1,指标2 — 查询多个指标的共同维度（交集）

查询类（用于获取数据）：

• POST /api/metrics/query — 指标数据查询

整体流程就是两步：先搜索后查询。每次查询前都先通过搜索 API 确认指标名和维度名的正确性，避免幻觉。

一条查询的结构示例

以「上月各渠道销售额及环比」为例，小龙虾构造的 JSON 请求体大致如下：

{
    "metrics": [
        "retail_amt",
        "retail_amt__sameperiod__mom__value",
        "retail_amt__sameperiod__mom__growthvalue",
        "retail_amt__sameperiod__mom__growth"
    ],
    "dimensions": ["first_channel"],
    "timeConstraint": "DateTrunc(['metric_time'], \"MONTH\") = DATEADD(DateTrunc(NOW(), \"MONTH\"), -1, \"MONTH\")",
    "orders": [{"retail_amt__sameperiod__mom__growthvalue": "asc"}]
}

核心概念说明：

• metrics：你要查询的指标。retail_amt 是销售额本身，后面带 __sameperiod__mom__ 后缀的是快速计算——环比值、环比变化额、环比增长率。这些计算由语义层内置，无需你手动写公式。
• dimensions：按什么维度拆分。first_channel 是一级渠道。
• timeConstraint：时间范围。这里使用 NOW() 函数进行相对时间计算，意为「当前月往前推一个月」。语义层要求相对时间一律使用 NOW()，不允许硬编码日期——这样你下个月再运行同一条查询，自动会查最新数据。
• orders：排序方式。你可以按环比变化额升序排列，让跌幅最大的排在最前面。

快速计算的命名规则

语义层的快速计算通过双下划线拼接在指标名后面，像搭积木一样组合。常用的积木块：

有一个重要限制：每个指标只能做一次快速计算，不能链式叠加。 SKILL 约束了小龙虾不能写类似 retail_amt__sameperiod__mom__growth__rankDense__desc__xxx（先算环比再排名）这样的代码。如果需要多步计算，会通过临时指标定义（metricDefinitions）分步实现。

五、如何调教和改造

如果你不只是想使用现成的 SKILL，而是希望根据自身业务场景进行调整，这一节会告诉你操作方法。

理解 SKILL 的结构

SKILL 本质上是一份 Markdown 文档，包含以下内容：

• 触发条件（description）：何时该调用这个 SKILL
• API 信息：接口地址、请求格式
• 规则和约束（铁律）：防止 LLM 犯常见错误的护栏
• 示例：完整的 JSON 请求体示例
• 常见错误模式：告诉 LLM 哪些坑不能踩

你可以把它理解为一份写给 LLM 的「操作手册」——LLM 阅读这份手册后，就能正确调用 Aloudata CAN 语义层 API。

可以修改的内容

修改触发条件。 如果你有自己的术语习惯（例如你们称销售额为「实收」），可以在 description 中添加这些同义词，使 SKILL 在你说「实收为什么跌了」时也能被触发。

增加业务规则。 SKILL 适合放置那些每次查询都生效、不应让用户反复解释的结构性约定。例如现有 SKILL 规定「同比」默认映射为年同比（yoy）——如果你们公司说「同比」实际上指月同比，修改这条规则后，所有查询就会自动按月度同比处理。

调整归因流程。 metric-attribution 的五步诊断流程并非固定不变。如果你的业务场景不需要外部事件关联（Step 4），或者你有更精细的因子拆解公式，直接修改 SKILL 文档即可。

更改报告模板。 归因报告的结构定义在 SKILL 的 Step 5 中。想换成你们老板习惯的汇报格式？修改模板即可。

如何编写一个全新的 SKILL

如果你想针对自己的业务场景编写一个新的 SKILL——例如「毛利监控 SKILL」「库存预警 SKILL」——关键在于理清三件事：

1. 它需要调用哪些 API？ 语义层 API 提供的能力（指标查询、快速计算）是底座，你的 SKILL 就是编排这些能力的「剧本」。
2. 它需要哪些护栏？ 哪些错误是 LLM 容易犯的？写入「铁律」中，防患于未然。这也是我们两个 SKILL 中规则写得特别多的原因——全是测试过程中踩过的坑。
3. 它的输出形式是什么？ 是一个数字？一段文字分析？一个 Word 文档还是 HTML 报告？你也可以自定义输出格式偏好。

SKILL 是纯文本文件，无需写代码、无需编译部署。修改后重新加载即可生效。

六、已知局限

这个 Demo 没有投入过多时间，也没有进行精心编排，Demo 和小龙虾都存在一些小瑕疵，在此坦诚说明。

归因报告的外部事件模块需要手动配置搜索 Key。 视频中你看到了，我们给了 Ta vily 的 Key，但小龙虾调用的是 Bra ve Search API——两边不一致，导致报告中的「外部事件关联」部分变成了「待验证假设」。这个问题后续会修复，使搜索引擎配置更灵活。

报告生成偶尔会出现文件路径问题。 视频中第一次打开报告时出现了 404，原因是文件名拼写错误（attribution 少了个 t）。这类问题属于 LLM 的随机性，并非每次都会出现，但确实可能发生。如果遇到，直接问小龙虾「为什么打不开」，它会自行排查修复。

复杂查询偶尔需要多轮纠正。 涉及多步计算（例如「先算环比再排名」）时，LLM 有时会犯链式叠加的错误。SKILL 中已编写了防护规则（铁律 5），大多数情况下能拦截，但并非 100% 可靠。如果结果看起来不对，可以让它重新构建一次查询。

定时任务目前较为基础。 视频最后配置的「每月 2 号自动跑归因」是 OpenClaw 的定时任务功能，目前只能做到定时触发 + 生成归因报告。我们计划后续做一个更完善的「数据月报 SKILL」，将整轮对话的分析逻辑更好地沉淀下来。

七、总结

最后分享一个做这件事过程中最深的体会。小龙虾（OpenClaw）解决的是 Agent 的「执行力」问题——它能操作你的电脑、调用各种工具。但当我们让它进行数据分析时，我们发现它缺的不是手脚，而是业务常识。

「销售额」这个词，在你公司的口径中到底含不含退款？「客单价」是按订单计算还是按客户计算？「环比」是跟上月比还是跟上周比？这些问题，LLM 不知道，也不应该猜测。语义层的价值就在于它把这些业务常识编码成了结构化的定义——指标如何计算、维度如何划分、口径如何统一——然后通过 API 暴露给 Agent。Agent 不需要理解你的业务，它只需要会调用 API，语义层保证返回的数据是正确的。

这就是为什么我们选择做 SKILL 而不是做 Prompt。Prompt 是「教 LLM 怎么猜」，SKILL + 语义层 API 是「让 LLM 不用猜」。

开始尝试

你想要的	获取方式
申请 Aloudata CAN Demo 环境 API Key
下载安装 metric-query 和 metric-attribution SKILL	https://clawhub.ai/jackyujun/metric-query https://clawhub.ai/jackyujun/metric-attribution
查看完整演示视频

如有问题欢迎在评论区留言，或直接在 SKILL 市场的讨论区反馈。