上周我在 WaytoAGI 的共学直播里看到了商汤最新的 skills 包，体验了一下，感觉挺不错的，这里分享给佬友们哈
先放 repo： https://github.com/OpenSenseNova/SenseNova-Skills
这个 skills 包，一共有五个场景
1. 图片&可视化
sn-infographic：接入的是他们的 SenseNova U1 的开源模型，尤其是信息图（具体名字是 SenseNova U1-8B-MoT-Infographic ）可以把一个很粗糙的想法，直接做成信息图，先理解内容，再决定布局和视觉风格。这个模型我专门测过，效果和 Nano Banana 和 Image2 差不了多少
2. PPT 生成
打工人神器，里面两个小 skills
sn-ppt-standard：做的是可编辑的商务 PPT
sn-ppt-creative：做的是偏视觉化、整页设计感很强的 Presentation
有时候你需要的是后续还能编辑修改的 deck ；有时候你只是想快速做一个视觉冲击力强的展示页。
这俩其实根本不是一个任务。
3. 数据分析
Excel 工作流这块，比我预期里“工程化”很多。
它会根据表格行数自动选择处理方案：
- 小文件：直接读取
- 中型文件：Parquet 缓存
- 大文件：流式分析
对于 10 万行以上的 Excel ，它不会直接 pd.read_excel() 全读进内存，而是改成 Streaming + Parquet 。
我有一部分业务是跨境电商，我会用这个 skills 帮我选品，大概流程是先用 1688 的插件拉到店铺销量的数据，这些数据我比较关心：
1. 哪些产品是真正卖得好的：是爆款驱动还是铺货型，如果这个店家的产品过于依赖某 1-2 个品，说明他的创新能力可能不够
2. 这个供应商的产品的价格区间都在哪：我会选择一个符合我成本范围的供应商来。因为这个价格段的产品通常是他们的优势产品。
3. 周度，月度的销量数据，如果他的销量波动太大，则可能是产能有问题，这时候如果我找他下单，则很可能出现延迟交货的情况把数据丢给 Agent ，能自动匹配到这个 skills ，然后给我分析出来我关心的点，我再决定要不要和这个工厂聊
3. Deep research
这个 skills 自定义了一套工作流，帮你深度调研某个领域，这个还没深度实验过，大概的流程是这样的：
request.md -> plan.json -> sub_reports -> synthesis.md -> report.md
比较关键的是会创建一个 synthesis.md ，会强制 agent 在写报告之前先整合数据，标记不确定性
感觉要比 Claude 生成的内容更严谨一些
5. Search
它的搜索层是按信息源类型拆开的。
学术、代码、社交媒体、中文社交、英文社交、通用 Web 搜索，全部分开处理。
我觉得这是对的。
因为证据来源真的很重要。
GitHub Issue 和营销博客，本来就不应该有一样的权重。
最后放上他们现在还可以领的 token plan： https://www.sensenova.cn/token-plan （ 5 小时能调用 1500 次）
图文交错的邀请码在 Discord 里能领： https://discord.gg/BuTXPHmQub
先放 repo： https://github.com/OpenSenseNova/SenseNova-Skills
这个 skills 包，一共有五个场景
1. 图片&可视化
sn-infographic：接入的是他们的 SenseNova U1 的开源模型，尤其是信息图（具体名字是 SenseNova U1-8B-MoT-Infographic ）可以把一个很粗糙的想法，直接做成信息图，先理解内容，再决定布局和视觉风格。这个模型我专门测过，效果和 Nano Banana 和 Image2 差不了多少
2. PPT 生成
打工人神器，里面两个小 skills
sn-ppt-standard：做的是可编辑的商务 PPT
sn-ppt-creative：做的是偏视觉化、整页设计感很强的 Presentation
有时候你需要的是后续还能编辑修改的 deck ；有时候你只是想快速做一个视觉冲击力强的展示页。
这俩其实根本不是一个任务。
3. 数据分析
Excel 工作流这块，比我预期里“工程化”很多。
它会根据表格行数自动选择处理方案：
- 小文件：直接读取
- 中型文件：Parquet 缓存
- 大文件：流式分析
对于 10 万行以上的 Excel ，它不会直接 pd.read_excel() 全读进内存，而是改成 Streaming + Parquet 。
我有一部分业务是跨境电商，我会用这个 skills 帮我选品，大概流程是先用 1688 的插件拉到店铺销量的数据，这些数据我比较关心：
1. 哪些产品是真正卖得好的：是爆款驱动还是铺货型，如果这个店家的产品过于依赖某 1-2 个品，说明他的创新能力可能不够
2. 这个供应商的产品的价格区间都在哪：我会选择一个符合我成本范围的供应商来。因为这个价格段的产品通常是他们的优势产品。
3. 周度，月度的销量数据，如果他的销量波动太大，则可能是产能有问题，这时候如果我找他下单，则很可能出现延迟交货的情况把数据丢给 Agent ，能自动匹配到这个 skills ，然后给我分析出来我关心的点，我再决定要不要和这个工厂聊
3. Deep research
这个 skills 自定义了一套工作流，帮你深度调研某个领域，这个还没深度实验过，大概的流程是这样的：
request.md -> plan.json -> sub_reports -> synthesis.md -> report.md
比较关键的是会创建一个 synthesis.md ，会强制 agent 在写报告之前先整合数据，标记不确定性
感觉要比 Claude 生成的内容更严谨一些
5. Search
它的搜索层是按信息源类型拆开的。
学术、代码、社交媒体、中文社交、英文社交、通用 Web 搜索，全部分开处理。
我觉得这是对的。
因为证据来源真的很重要。
GitHub Issue 和营销博客，本来就不应该有一样的权重。
最后放上他们现在还可以领的 token plan： https://www.sensenova.cn/token-plan （ 5 小时能调用 1500 次）
图文交错的邀请码在 Discord 里能领： https://discord.gg/BuTXPHmQub
Select Language