市面上的 AI 表格工具，绝大多数长一个样：大模型 API 外面包一个界面，加几个 Skill，就成了“AI 应用”。你问一句它答一句，换一批数据它又从头猜一遍。
先给结论：数以轻舟Agent 不是这种形态。除了自研的专用 Skills 之外，它在系统代码里还内置了一批数据清洗与数据判断的逻辑，把工程化的数据分析思维直接放进产品里。这是它和普通“套壳 Agent”最不一样的地方。
通用 Agent 是怎么工作的
先把“套壳”这两个字说清楚——它不是贬义，是大多数 Agent 的真实结构。
通用 Agent 一般由三件事组成：
第一，框架编排：任务进来，拆成几步，决定先调什么、后调什么。
第二，Skill 匹配：按意图选技能，技能可以是自研的，也可以是第三方现成的。
第三，调大模型：具体怎么干、答案长什么样，最后都交给大模型现场生成。
这套结构没问题，它解决了很多“问答类”的需求。但回到表格数据上，它的软肋很明显：逻辑不沉淀。这次它知道怎么去重，下次换个字段名，它又要重新理解一遍、重新生成一遍——token 自然一笔一笔地烧。同样的活儿干十次，十次都要重新算。
数以轻舟Agent 多做了什么
数以轻舟Agent 也有框架、也有自研的专用 Skills——这是它和通用 Agent 的共通底座，不是终点。
它真正不一样的地方，在底座之上多出来的三层：
第一层，工程化的数据处理代码。 系统代码里内置了一批数据清洗与数据判断的逻辑：空值怎么判定、格式怎么归一、重复怎么识别、口径怎么统一。这些不是每次让大模型“猜测”，而是产品内置的确定性规则，用工程化的数据分析思维写进了代码里。该补的补、该并的并，规则在系统代码里就定好了。
第二层，任务调度与执行编排。 识别需求、匹配 Skill、按序执行、本地运行——这一整套流程由产品自己调度，不走“云端反复问答”，数据文件一步都不离开本机。
第三层，脚本沉淀与复用。 这是工程化思维最有价值的部分：代码可以复用，同类工作只付一次成本。
复用，才是这套设计最关键的地方
你第一次处理工资表：补空值、统一日期格式、按部门分组汇总、排重。这些规则第一次生成后，会保存成处理脚本，留在本地。
下次再拿到一张同结构的表，会发生什么？
不需要重新描述一遍规则，不需要重新消耗大模型的算力——只需要把新表放进本地工作台，做一次表格匹配，几分钟就能生成一份新的数据分析文件。
相同的数据分析逻辑，用“匹配”代替“重新生成”，成本几乎降为零。
哪怕断网，已保存的脚本也能跑。逻辑在你的电脑上，不在云端账户里。
这就是通用 Agent 和数以轻舟Agent 的分水岭：通用 Agent 每次都重新烧算力，数以轻舟Agent 让同类工作只付一次成本。
实际用起来，是什么流程
用一次，流程是这样的：
第一步，本地安装后，把 Excel/CSV 表格放进本地工作台，数据文件留在本机，不进聊天框、不传第三方 SaaS。
第二步，用一句话描述需求。内置逻辑先对表格做清洗和判断，规则在系统代码里就定好了。
第三步，产品在本地生成并运行 Python 脚本，输出干净的数据分析文件，过程和脚本都可回看。
第四步，脚本保存到本地。下次同结构的表来了，直接匹配复用，快速、省 token、断网也能跑。
第一次跑通要花一点算力生成脚本，之后每一次都是“复制成功经验”，不是推倒重来。
适合谁、不适合谁
适合谁：手里有 Excel/CSV 数据，每周每月都要做同类型清洗、汇总、对账，想把重复劳动沉淀成脚本、不想每次重新消耗算力的人。想用 AI 但不愿意让文件离开自己电脑的团队，尤其对路。
不适合谁：只接受纯云端操作界面、不愿自己配置模型 API（算力自购自接）的人。本地脚本驱动、算力自备这一步绕不过去；另外目前只处理 xlsx/csv，PDF、图片、Word 暂不支持，要处理非表格文件的请先确认格式。
写在最后
通用 Agent 把“会编排、会调模型”当卖点，数以轻舟Agent 把“会处理数据、会沉淀逻辑”做成能力。
工程化的数据处理代码、任务调度、自研的专用 Skills、本地保存可复用的脚本——这些加起来，才叫工程化的数据分析思维。它不是调一下 model 那么简单，它是把分析逻辑放进产品里，让相同的工作只付一次成本。