给小龙虾装上业务大脑：两个 SKILL 让 OpenClaw 学会查数和归因

全网都在教小龙虾点外卖我们让它算清了 GMV 为什么跌。这篇文章是配套的上手指南——从安装到提问到进阶调教手把手带你跑通。我们把小龙虾接上了 Aloudata CAN 语义层。六轮对话从「上月销售额多少」一路追到「江西电商渠道销售额环比下降 67%主因是购买用户数从 28 断崖式跌到 8」最后还自动生成了一份带因子拆解、城市下钻的 HTML 归因报告。操作视频在这里 ↓全网都在教小龙虾点外卖我们让它算清了 GMV 为什么跌这篇文章主要回答看完视频之后你大概率会问三个问题一、我自己能跑起来吗 —— 能十分钟以内。二、它到底是怎么做到的 —— 两个 SKILL Aloudata CAN 语义层 API不是魔法。三、我能改它、甚至自己写新的 SKILL 吗 —— 能而且这才是最有价值的部分。一、十分钟跑起来你需要准备什么材料从哪里拿备注OpenClaw官网一键安装各发行版也可以版本 ≥ 2026.3.xAloudata CAN API Key扫文末二维码获取免费 Demo 环境含零售场景数据集指标与维度metric-query SKILLClawHub负责指标查询metric-attribution SKILLClawHub负责归因分析安装步骤第一步装 SKILL。两个 SKILL 已经发布到 ClawHubURL 如下用你自己习惯的方式来安装。https://clawhub.ai/jackyujun/metric-queryhttps://clawhub.ai/jackyujun/metric-attribution安装过程中如果出现安全提示点击「仍然安装」即可这是因为 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 做认证。把你的 Key 写到 OpenClaw 的环境变量文件~/.openclaw/env里CAN_API_KEYcgk-你的Key写好后可能需要重启 OpenClaw然后开一个新 session。 旧 session 不会自动拿到新的环境变量。SKILL 调用 Gateway 时会通过X-API-Key请求头自动带上这个 Key。Key 不会出现在 SKILL 文件或对话记录中。第三步开始问问题。就这么简单。试试「上月销售额是多少」你会连到什么数据Demo 环境是一个零售场景的数据集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够你做各种同环比和归因分析。你可以直接问小龙虾「有哪些指标和维度」它会给你列明。不用担心「问错了」——语义层已经定义好了所有指标的口径和计算逻辑你用自然语言问它翻译成结构化查询不存在「写错 SQL」的可能。二、两个 SKILL各管一件事很多人看完视频以为这是一个大而全的「AI 分析师」Agent其实不是。我们拆成了两个 SKILL各司其职metric-query问数的 SKILL这个 SKILL 只做一件事——把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」它做的事情是先调 Aloudata CAN 搜索 API找到「销售额」对应的指标名retail_amt再调 Aloudata CAN 维度 API确认「渠道」对应的维度名first_channel然后构造一条结构化的 JSON 请求发给指标查询 API拿回数据用自然语言把结果告诉你注意第 1 和第 2 步——它不是凭记忆猜指标名和维度名的。每次查询前它都会先去 Aloudata CAN 语义层的 Gateway 搜索确认指标和维度确实存在。这就是为什么它不会「幻觉」出一个不存在的指标。这个 SKILL 支持的查询能力覆盖基础查询、同环比年/季/月/周/日、占比、排名、维度筛选、结果筛选指标值、临时指标定义、时间限定、多层聚合——基本上你能想到的数据查询操作它都能翻译成对应的 API 请求。metric-attribution归因的 SKILL这个 SKILL 是一个诊断流程的编排器。当你问「为什么跌了」它不是调一次 API 就完事而是按照一套诊断逻辑走多个步骤Step 1 → 确认波动事实变了多少跟什么比 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 → 外部事件关联有没有天气、促销、政策等外部因素 Step 5 → 综合诊断报告把所有发现串成一条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做归因计算包括 Shapley 值分解最后汇总成报告。视频里那份深色主题的 HTML 归因报告就是 Step 5 的产出。为什么要拆成两个 SKILL 因为查数和归因是两个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。只有当你发现数据有异常需要深挖原因的时候才会触发 metric-attribution 的完整诊断流程。拆开之后简单问题不走复杂流程复杂问题有专门的方法论。三、怎么问效果最好装好 SKILL 之后你会发现「怎么问」直接决定了回答的质量。这里是我们测试过程中总结的提问技巧查数说清楚四件事小龙虾内部会把你的问题拆解成四个维度你说得越清楚它翻译得越准你要说清楚的示例看什么指标「销售额」「客单价」「购买用户数」怎么看分析方式「环比增长率」「各渠道占比」「按贡献排序」看谁的维度和筛选「电商渠道的」「江西省的」「按省份拆」看哪段时间时间范围「上月」「近 30 天」「2025 年 Q4」好的提问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。这句话四个维度全覆盖了指标销售额、分析方式环比占比排序、维度一级渠道、时间上月。效果一般的提问数据怎么样太模糊了小龙虾不知道你要看什么指标、什么时间、什么维度只能「虾」猜。归因给它一个业务公式如果你要做归因分析最有效的做法是直接把业务公式告诉它。视频里那句话就是一个好例子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里的公式告诉了小龙虾销售额可以拆成两个因子来分析。有了这个公式它才能判断「是用户少了还是价格低了」。如果你不给公式它也能做维度归因按渠道、地区等维度看贡献度但少了因子拆解那一层分析深度会打折扣。追问跟着它的建议走你可能注意到视频里小龙虾经常主动建议下一步——「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情况判断的合理分析方向。如果你不确定接下来问什么跟着它的建议走通常不会错。当然你也完全可以无视它的建议按自己的思路追问。一些容易踩的坑「同比」和「环比」别混。小龙虾对这两个词的理解很严格——「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。如果你要月同比请明确说「月同比」而不是「同比」。不要问太笼统的排名。「销售额排名前 10」——什么时间段的哪个维度的如果你没说它会用默认策略通常是近 30 天但不一定是你想要的。筛选条件要精确。你说「按渠道筛选」但系统里有「一级渠道」first_channel和「二级渠道」second_channel两个维度——数据查出来可能不符合你的预期。不确定的时候先问「渠道有哪些维度和值」让它列一下再选。四、它背后到底调了什么 API如果你是工程师可能想了解得更深一些。这一节拆解 SKILL 背后的 API 体系。Gateway所有请求的入口两个 SKILL 的所有请求都走一个 Gatewayhttps://gateway.can.aloudata.com\。Gateway 内置了认证你不需要在每次请求中手动传 token。Gateway 暴露了两类 API搜索类用来找指标和维度GET /api/metrics/search?keyword销售额— 搜指标GET /api/metrics/{metricName}/dimensions— 查某个指标有哪些维度GET /api/metrics/dimensions?metricNames指标1,指标2— 查多个指标的共同维度交集查询类用来取数据POST /api/metrics/query— 指标数据查询整个流程就是两步先搜后查。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。一条查询长什么样以「上月各渠道销售额及环比」为例小龙虾构造的 JSON 请求体大概长这样{ 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}] }核心概念解释一下metrics你要查的指标。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。这些计算是语义层内置的不需要你写公式。dimensions按什么维度拆分。first_channel是一级渠道。timeConstraint时间范围。这里用NOW()函数做相对时间计算意思是「当月往前推一个月」。语义层要求相对时间一律用NOW()不允许硬编码日期——这样你下个月再跑同一条查询自动就是查最新的数据。orders排序。你可以按环比变化额升序排跌得最狠的排最前面。快速计算的命名规则语义层的快速计算用双下划线拼接在指标名后面像搭积木一样。常用的几块积木你想要的写法示例月环比增长率__sameperiod__mom__growthretail_amt__sameperiod__mom__growth年同比值__sameperiod__yoy__valueretail_amt__sameperiod__yoy__value全局占比__proportion__retail_amt__proportion__按渠道排名降序__rankDense__desc__first_channelretail_amt__rankDense__desc__first_channel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用临时指标定义metricDefinitions分步来做。五、怎么调教和改造如果你不只是想用现成的 SKILL而是想根据自己的业务场景调整这一节告诉你怎么做。看懂 SKILL 的结构SKILL 本质上就是一份 Markdown 文档里面包含了触发条件description什么时候该调用这个 SKILLAPI 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成一份写给 LLM 的「操作手册」——LLM 读了这份手册就知道怎么正确地调用Aloudata CAN 语义层 API。可以改什么改触发条件。如果你有自己的术语习惯比如你们管销售额叫「实收」可以在 description 里加上这些同义词让 SKILL 在你说「实收为什么跌了」的时候也能被触发。加业务规则。SKILL 里适合放的是那些每次查询都生效、不该让用户反复解释的结构性约定。比如现有 SKILL 规定「同比」默认映射为年同比yoy——如果你们公司说「同比」其实是指月同比改掉这条规则就行之后所有查询都会自动按月同比处理。调归因流程。metric-attribution 的五步诊断流程不是固定的。如果你的业务场景不需要外部事件关联Step 4或者你有更细化的因子拆解公式直接改 SKILL 文档就行。改报告模板。归因报告的结构定义在 SKILL 的 Step 5 里。想换成你们老板习惯的汇报格式改模板就行。怎么写一个全新的 SKILL如果你想针对自己的业务场景写一个新的 SKILL——比如「毛利监控 SKILL」「库存预警 SKILL」——关键是想清楚三件事它需要调哪些 API 语义层 API 支持的能力指标查询、快速计算是底座你的 SKILL 就是编排这些能力的「剧本」。它需要哪些护栏 哪些错误是 LLM 容易犯的写进「铁律」里防患于未然。这也是我们两个 SKILL 里规则写得特别多的原因——都是测试过程中踩出来的坑。它的输出长什么样 是一个数字一段文字分析一个 Word 文档还是一份 HTML 报告你也可以定义输出格式偏好。SKILL 是纯文本文件不需要写代码不需要编译部署。改完之后重新加载就能生效。六、已知的不完美这个 Demo 我们没花多少时间也没太过精心编排Demo 和小龙虾都会有些小瑕疵在这里坦诚说说归因报告的外部事件模块需要你手动配搜索 Key。 视频里你看到了我们给了 Tavily 的 Key但小龙虾调的是 Brave Search API——两边没对上导致报告里的「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让搜索引擎配置更灵活。报告生成偶尔有文件路径问题。 视频里第一次打开报告就 404 了原因是文件名拼写错误attribution 少了个 t。这类问题属于 LLM 的随机性不是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」它会自己排查修复。复杂查询偶尔需要多轮纠正。 涉及多步计算比如「先算环比再排名」时LLM 有时候会犯链式叠加的错误。SKILL 里写了防护规则铁律 5大多数时候能拦住但不是 100%。如果结果看起来不对可以让它重新构建一次查询。定时任务目前比较基础。 视频里最后配的「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」能把整轮对话的分析逻辑更好地沉淀下来。七、最后总结下最后说一个我们做这件事过程中最深的感受。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。但当我们让它去做数据分析的时候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里到底含不含退款「客单价」是按订单算还是按客户算「环比」是跟上月比还是跟上周比这些问题LLM 不知道也不该猜。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——指标怎么算、维度怎么分、口径怎么对——然后通过 API 暴露给 Agent。Agent 不需要懂你的业务它只需要会调 API语义层保证返回的数据是对的。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」。开始试试你想要的获取方式申请 Aloudata CAN Demo 环境 API Keyhttps://aloudata.com/consult?channel195下载安装 metric-query 和 metric-attribution SKILLhttps://clawhub.ai/jackyujun/metric-queryhttps://clawhub.ai/jackyujun/metric-attribution有问题欢迎在评论区留言或者直接在 SKILL 市场的讨论区反馈。