主页
社区
AI工具
AI知识库
AI提示词
MCP
Skills
AI学习资源
AI资讯
GitHub开源

登录/注册

ChatExcel·桌面版全新上线、AI提示词优化、常用提示词保存功能上线|AiExcel更新

2025-07-16 12:30

阅读 263

2025-07-16 12:30

阅读 263

2025年7月，ChatExcel再升三级！

ChatExcel · 桌面版全新上线！

不开浏览器，也能在桌面上召唤你的专属ChatExcel，帮你：做Excel处理、清洗数据，做数据分析、生成图表……一站式解决你的所有数据问题。

AI优化提示词 · 功能上线

不用再担心写不好提示词啦!！写完提示词后，点击「魔术笔」就可以一键帮忙优化提示词内容。

保存常用提示词 · 功能上线

将对话中发送过的提示词保存下来，方便在后续重复场景里使用，Pro和Max中同时上线，复用更高。

接下来，让我们逐一看下chatexcel的三大升级吧！

ChatExcel · 桌面版全新上线！

告别频繁切换网页！那个帮你做Excel处理、清洗数据，做数据分析、生成图表的ChatExcel，上新桌面版了！

从此，不开浏览器，也能在桌面上召唤你的专属ChatExcel！

Mac 和 Windows 全平台支持！

老用户直接登录账号即可同步历史内容！快来试试吧~

第一步，进入官网首页?chatexcel.com，

第二步，登录工作台，点击【下载客户端】，即可开始下载。

第三步，点击下载按钮，开始下载。

第四步，安装成功，就有自己的专属ChatExcel了。

AI优化提示词 · 功能上线

面对 AI，你是不是经常不知道该怎么开口，问了半天却得不到想要的答案？

现在，不用再担心写不好提示词啦!

编辑完提示词后，点击「魔术笔」就可以一键帮忙优化提示词内容了~

我们来试一下用AI优化提示词吧~上传表格后，根据处理需求，编辑提示词。编辑完，点击润色按钮，就得到一份规范的提示词了。

润色前：

润色后：

可以看到，优化后的提示词，首先，明确制定了文件。其次，指定特定字段时，加上了“”双引号。再次，避免了模糊指令，将横轴和纵轴都指定得很清楚。

实在是太智能了，用的那叫一个带劲儿！

保存常用提示词 · 功能上线

可以将提示词保存成常用词啦~

将对话中发送过的提示词保存下来，方便在后续重复场景里使用。

我们来看下升级后的效果。?

将常用的提示词分类存储，使用时可以随时取用，更方便。

坚持每周迭代，我们在认真打磨产品

企业为用户创造价值的能力，最直接的体现，就是的产品力。ChatExcel保持着每周一次的产品迭代速度，以更好地满足用户需求。从2023年2月产品推出，到2024年迭代加速，到2025年产品大幅更新，ChatExcel服务超100万用户，基于海量用户，对用户使用情况进行深度分析，驱动产品迭代，建立了足够深的技术门槛，开始引领行业变革。

升级福利！ChatExcel免费用?

恰逢年中，ChatExcel桌面端上线，先给大家来波福利，?口说无凭，宠粉还是要来点儿实际的

?文末留言，选取留言点赞最高的10人，送出月会员~

?一键三连，截图私信小编，即可领取周会员~

登录chatexcel.com或者下载桌面端，无需额外操作，就可以开始免费用。

使用教程推荐

01

DeepSeek10秒生成动态可视化图表|《ChatExcel图表可视化教程》+2周年送会员

02

同事加班2小时处理表格，我只用了3分钟，看完他脸都黑了! |《ChatExcel使用指南》

03

ChatExcel又又又迎来重大升级！处理速度提升300%，全球最快！

点击阅读原文，开始处理Excel???

原文链接： ChatExcel·桌面版全新上线、AI提示词优化、常用提示词保存功能上线|AiExcel更新

站长：程序员鱼皮老鱼简历商务合作增值电信业务经营许可证

2026 鱼皮AI导航 | 沪ICP备19026706号-6

🔥热门工具

朱雀AI检测助手

WritePass官网

朱雀AI检测助手

🔥 热门文章

B 站上 DeepSeek 闹鱼灾了，我发起《大肥鱼清除计划》！

Vibe Coding 实战：从零构建现代专业级 AI 搜索引擎

我的第一个出海产品！7 天 2 万

又一个国产版 Codex 神器，也来卷办公了！

day3-如何写出一个高质量的 Skill（组内分享）高质量 Skill 不是“一个调得很顺的巨型 Prompt”，而是一个可验证、可回归、可维护的能力包。先定义“什么算好”，再实现“怎么做好”。评估体系先于 Skill 本身成型。下面用“故障诊断 Markdown 转 YAML”作为例子，但方法是通用的。 --- 一、先想清楚：Skill 到底是什么一个 Skill 至少包含四部分：部分作用接口输入什么、输出什么、边界在哪流程分几步做，每步的产物是什么规则硬约束、经验规则、失败模式降级策略不确定时怎么办，而不是硬编一个看似合理的结果高质量 Skill 的共同点：职责单一、接口清晰、规则可定位、输出可验证。反例：把几十条经验全塞进一个主 Prompt，改一条规则要重调整个 Prompt，评估时也不知道是哪条规则退化。 --- 二、核心方法：先建评估，再写 Skill 不要先写转换器再补测试。正确顺序是： 1. 定义输出契约：什么算合法、什么算合格； 2. 建金标准集：一小批人工认可“可放行”的样本； 3. 先写评估 Skill：让它在金标准集上跑出基线； 4. 再迭代生成 Skill：每次修改跑同一套评估，无退化且目标维度提升才算正向。这就是评估驱动开发：评估是 Skill 的单元测试，金标准集是回归锚点。 --- 三、评估 Skill：三层门禁，逐层递进前一层不过，后一层不跑。每层留可追溯证据。第 1 层：确定性硬门禁用解析器、Schema、校验器完成，不消耗模型成本。 · 输出可解析； · 必填字段齐全，类型/枚举合法； · 引用目标存在，无悬空引用、无不可达节点； · 关键路径至少有一条能到达预期出口。不通过直接打回。第 2 层：语义断言用脚本 + 结构遍历检查“逻辑对不对”，仍然保持确定性。通用检查项： · 覆盖率：源材料里的关键步骤、分支、条件，输出里是否都有对应？ · 完整性：每个判断节点是否都有明确出口？有没有死胡同？ · 可达性：每条路径是否都能到达预期终点？有没有无出口循环？ · 顺序与依赖：有先后依赖的操作，是否保留了顺序？有没有被拍平成无序列表？例子：故障诊断转换中，检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。第 3 层：LLM-as-Judge 只处理解析器表达不了的维度：忠实度、完整性、可执行性。但 Judge 会漂移，不能单独放行，必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化，换模型必须用金标准集重新校准。通用 Judge 维度：维度问什么忠实度输出是否忠实源材料意图？有没有自行发明内容？完整性关键步骤、条件、证据是否保留？隐式知识有没有被压成空话？收敛性输出是否仍指向原目标，而不是发散？可执行性下游不依赖源材料能否直接使用？ --- 四、金标准集：回归测试的锚点不需要一开始就标注几百份。用已认可的样本当种子，扩到 15～30 份，覆盖失败模式而非随机抽样： · 完整正例：典型流程； · 边界/异常分支：异常路径、循环、前置失败回退； · 已知易错模式：实际踩过的坑； · 留出集：不参与调优，只用于最终验收，防过拟合。金标准不需要完美，只需要当前标准下认可可放行。回归指标：关键路径用 pass^k（k 次全过），稳定性用 pass@k。 --- 五、工程约束：让批量产出可重放 · 幂等：同输入 + 同 Skill 版本 + 同规则 → 输出一致，否则无法判断变好是 Skill 改了还是随机波动； · 隔离不阻断：单份失败进隔离队列，记录失败层和原因，不阻塞其余； · 版本绑定：规则、rubric、金标准集进 Git；每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”； · 抽样人工复核：Judge 临界样本 + 易错模式，人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅，写清：输入约定、输出契约、分步流程、硬规则、降级策略； · 经验规则放 references/ 或 rules/，按失败模式分类，不要全塞进主 Prompt； · 不确定时标 needs_review: true，不要硬编看似合理的结果； · 迭代由评估报告驱动：报告告诉你哪层挂了、哪类失败模式，你改对应规则文件，而不是漫无目的调 Prompt。 --- 七、落地顺序（不要反过来） 1. 固化输出契约：Schema + 结构约束； 2. 建金标准集：从已认可的 + 最易出错的样本开始； 3. 先写评估 Skill：跑出基线报告； 4. 再迭代生成 Skill：每次修改对比逐项通过率，无退化且目标提升才算正向； 5. 批量运行 + 隔离回放：失败进队列，结束后人工抽检； 6. 评估 Skill 自身版本化：换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”：每次修改必须附评估报告对比，逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数：前两层挂了，Judge 分数没有意义。 3. 不许把规则堆进主 Prompt：规则按失败模式分文件，评估报告要能定位到具体文件。 --- 一句话收尾生成 Skill 决定“能不能做”，评估 Skill 决定“敢不敢用”。先让评估体系站稳，再让生成器迭代。这样交付的不是一堆“看起来还行”的产出，而是一套可证明、可回归、可交接的 Skill 质量体系。

DeepSeek 重磅开源的超级 Agent，到底是个啥？

最近在落地 AI Native 项目，卡在团队资产协同这块，想请教下社区各位有实际落地经验的同学：我们现在的资产分为三块：项目文档（PRD/ADR/ 运行手册）、Agent Skill（业务技能、执行 SOP、提示词包）、MCP 工具服务定义。目标是做到：人和多 Agent 共用一套可信资料源，Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。目前我们初步方案是用 Git 做底层版本主线： - 文档：Markdown + ADR，带元信息，支持 RAG 检索 - Skill：单技能包目录化，带版本、评估用例、依赖声明 - MCP：项目级声明文件纳入 Git 但实际协作里遇到不少疑问，想参考大家成熟的实践： 1. 大家团队里，文档、Skill、MCP 三者是怎么组织目录和版本管理的？有没有稳定的仓库结构模板？ 2. 多人协作时，Skill 的变更评审、灰度升级、依赖管理怎么做？如何避免本地版本不一致、“本地能跑别人不行”？ 3. MCP 是统一中心化网关模式，还是大家各自本地启动 + git 同步配置？权限白名单、调用审计这块有什么好方案？ 4. 有没有成熟工具链做自动同步（类似 agentmeld /teamai-cli）、变更校验、eval 回归门禁？ 5. 文档和 Agent 的打通：哪些文档放进 Git 作为可信真值，哪些放外部知识库，边界怎么划分？如果有现成的仓库样例、目录规范、团队协作流程，非常希望能分享参考，感谢！

PHP 被曝两大致命漏洞，请所有程序员抓紧做这件事！

人工智能前沿部署工程师（FDE） · 概览与方法论

QuireKit 编辑器的 AI-Native 是如何设计的？谈谈我对真正 AI-Native 的理解

告别“金鱼记忆”：我开发了一款能当“第二大脑”的浏览器 AI 助手

ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付