夜雨聆风最近工作清单里有几个 Excel 数据处理任务。
这种任务说起来不复杂：拿到几份源文件，整理成系统需要的目标格式。真正做起来，麻烦的地方不在 Excel 本身，而在前面的判断。
不同来源给过来的表格格式不一样。字段名不一样，列顺序不一样，有些列看起来很像，但含义并不完全一样。有时候还会遇到空值、重复值、编码格式不一致、名称写法不统一这些小问题。
以前我处理这类任务，基本就是人工经验驱动。
先打开源文件，一列一列看：这列到底是什么？应该映射到目标表里的哪个字段？这个值要不要保留？异常数据是丢掉、补默认值，还是单独列出来？
判断完以后，再写转换逻辑，生成结果文件。
一次能做完，但下次换一批表格，又要重新判断一遍。时间不一定都花在操作上，更多是花在反复理解格式和确认规则上。
真正麻烦的不是 Excel，而是判断规则
这次我没有只让 AI 临时处理一次文件。
我用 Claude Code 加 DeepSeek，围绕这个 Excel 数据处理任务写了一个 Skill。我的想法很简单：既然这类任务会反复出现，就不要每次都重新跟 AI 解释一遍。
我先告诉 AI 最终想要的数据格式，再给它几份不同格式的源文件，让它自己读取、对比、推断字段映射关系。
能确定的，先处理。
不能确定的，不许猜。
比如某一列到底该映射到哪个目标字段，某些空值应该保留还是过滤，重复数据以哪条为准，这些都要列成问题问我。
我确认之后，它再继续处理。
更重要的是，这些确认过的逻辑不能只停留在这次对话里，而是要写回 Skill。下次遇到类似格式，它就应该知道怎么处理，而不是再问一遍同样的问题。
我把经验写进了 Skill
以前我对 AI 的用法，更多还是“这次帮我做一下”。
这当然也有用，但很容易变成一次性对话：这次说清楚了，下次换个文件、换个上下文，又要重新解释。
Skill 的意义不一样。
它更像一份给 AI Agent 的操作手册。里面不只是写“帮我处理 Excel”，而是把我平时靠经验判断的东西拆开：
- • 目标数据格式是什么；
- • 常见源文件大概有哪些样子；
- • 字段别名怎么识别；
- • 哪些情况可以自动处理；
- • 哪些情况必须停下来问人；
- • 处理完以后怎么校验结果。
写到这里以后，这个任务就不是“AI 帮我改一次表”了。
它开始变成一个可以反复调用的工作流。
每处理一种新表格，就多一个样本。每遇到一种新情况，就补一条规则。每次我回答过的问题，如果已经沉淀进 Skill，下次就应该自动复用。
这就是我觉得它真正有价值的地方。
不确定时，AI 必须停下来问我
真实工作里用 AI，我现在最警惕的一件事，是它看起来很自信地把事情做完了。
尤其是 Excel 清洗、字段映射、规则转换这类任务，表面正确不代表真的正确。一个字段映射错了，或者某条异常数据被错误过滤掉，最后结果可能还能打开，也能导入，但里面已经埋了问题。
所以这个 Skill 里我反而会强调一条规则：不确定就问。
AI 可以先读文件，可以做初步判断，可以生成字段映射表，也可以输出校验报告。但只要涉及业务含义、边界规则、冲突数据，就不能自己脑补。
它要把问题抛出来。
我不需要再盯着每一行数据看，但我要负责判断那些真正需要人判断的地方。
这个分工比“让 AI 全自动完成”更现实，也更安全。
普通程序员也可以这样改造重复工作
这件事给我的启发是，AI 落地不一定非要从很大的系统开始。
对普通程序员来说，最适合先改造的，往往就是手边这些不起眼的重复工作：接口文档维护、Excel 清洗转换、配置规则整理、测试用例生成、SQL 脚本改造、历史表格整理。
这些任务有几个共同点：
- • 会反复出现；
- • 有明确的目标格式；
- • 依赖人的经验判断；
- • 过程可以校验；
- • 每次都会遇到一点新情况。
这种任务很适合做成 Skill。
第一次不一定省时间。甚至一开始还会更慢，因为你要跟 AI 讲清楚目标、样本、规则和边界。
但只要这个过程沉淀下来了，后面就不一样了。
你不是在保存一段提示词，而是在保存一套处理经验。
我的一个小结论
以前我会把 AI 当成一个临时助手：这次帮我写个脚本，这次帮我处理个文件，这次帮我查个问题。
现在我更愿意问另一个问题：这个任务能不能沉淀成以后 AI 会做的 Skill？
如果一个任务会反复出现，而且每次都要靠你解释经验，那它就值得被写下来。
这次普通 Excel 处理任务给我的感受是，AI 真正省时间的地方，不只是自动操作，而是逐步接住那些过去反复消耗我的判断过程。
我还是要确认关键逻辑，也还是要验收结果。
但我不需要每次都从零开始。
这可能是普通程序员使用 AI 最实在的一条路：不是幻想 AI 一次性替代自己，而是把自己工作里的重复经验，一点点变成可复用的资产。
如果你也有类似的 Excel、文档、配置、脚本处理任务，可以先挑一个最普通的试试：给 AI 最终格式，给几份样本，让它先处理；不确定的地方问你；确认过的规则再写回 Skill。
跑几轮之后，你可能会发现，被自动化的不是某张表，而是你过去反复解释、反复判断的那部分工作。
我后面也会继续记录这些真实工作里的 AI 实践：哪些任务适合交给 Agent，哪些地方必须保留人工确认，以及普通程序员怎么把一次次提效，慢慢沉淀成自己的长期资产。