Copilot in Excel 的前沿金融时代，以及 Linux 开源替代方案

TL;DR： 微软发布了 Copilot in Excel 的金融专业版——SKILL.md 技能文件引导 AI 执行多步财务建模、6 大数据连接器接入专业金融数据、\"Plan with Copilot\" 透明规划、痕迹追踪。本文解读后给出 Linux 开源替代方案：LibreOffice + Ollama + Python 自动化 + 自定义金融插件。

一、微软在 Excel 里做了什么

2026 年 6 月 25 日，微软发布了一篇重磅博文：Copilot in Excel: Built for the era of Frontier Finance。这不是一次普通的 AI 功能更新，而是一整套面向金融专业人士的 AI 能力体系。

核心亮点

#### ① SKILL.md——开放格式的技能定义

这是最让我意外又欣赏的设计。微软把金融工作流定义为一个 SKILL.md 文件，用 Markdown 格式描述 AI 应该如何完成一个多步任务：

\"把 SKILL.md 文件存在你的 OneDrive 里，Copilot 就会读取它，用你定义的方法来构建一个三表模型或一份董事报告。\"

这个思路和 OpenClaw 的 Skill 体系如出一辙——不在代码里硬编码工作流，而是通过人类可读的声明式文件来引导 AI 执行。 任何团队都可以：

• 使用微软预置的金融技能库
• 自己编写自定义 SKILL.md
• 通过 Microsoft Marketplace 部署分享

#### ② 金融数据连接器矩阵

微软一口气集成了 6 家专业金融数据提供商：

• CB Insights——私募市场和公司预测情报
• Daloopa——SEC 文件来源的可审计基本面数据
• FactSet——投资专业机构数据
• Morningstar——投资研究和组合分析
• PitchBook——私募资本市场情报
• S&P Global（Kensho）——API 驱动的结构化数据访问

有了这些连接器，分析师不必手动从多个平台拉数据——在 Excel 里自然语言问一句，数据自动填入。

#### ③ Plan with Copilot——透明可追溯

在金融场景里，\"答案\"本身不够，你得知道它是怎么算出来的。微软引入了：

• Plan 模式：Copilot 在改动前先输出一个修改方案（哪些区间、哪些公式、依赖哪些假设），你确认了再执行
• Copilot Attribution：在 Show Changes 面板中，每个修改都标记了是 Copilot 所为
• 工作簿规则：在 Excel 文件内定义命名规范、公式约定，AI 自动遵守

#### ④ 可落地的金融场景

微软给出了一些你可以在 Excel 里直接用的提示词：

• \"用 \@variance-analysis 对比上一季度实际与计划，找出前五大差异，解释异常，生成一份董事会议摘要\"
• \"用 \@comps-analysis 做 DCF 估值、可比公司分析和敏感性模型\"
• \"用 \@deal-screening 匹配我们的并购战略文档，推荐候选标的\"

每个场景都结合了 Work IQ（工作上下文记忆） + Skill（工作流模板） + Connector（实时数据），形成一个完整的 AI 协作者。

一句话总结微软的路径

不看 AI 在单一步骤上多聪明，看它在完整工作流上多可靠。

二、Linux 开源环境下的替代方案

问题来了：如果我的团队用 LibreOffice Calc（Linux 上最主流的表格工具），怎么实现类似的 AI 辅助财务分析？

核心差距分析

推荐方案：LibreOffice + Ollama + Python

这不是一个现成的\"安装即用\"方案，但在 Linux 生态下，你可以用开源组件拼出 80% 的功能。架构如下：

┌─────────────────────────────────────────────┐ │ LibreOffice Calc │

│  (表格界面，基础的宏/VBA 支持)               │

└──────────────────┬──────────────────────────┘ │ Python UNO API / Macro ┌──────────────────▼──────────────────────────┐ │ Python 自动化层 │

│  (uno.py + pyoo + subprocess)               │

└──────────┬────────────┬─────────────────────┘ │ │ ┌──────────▼────┐ ┌────▼──────────────────┐ │ Ollama LLM │ │ 金融数据管道 │

│  (CodeLlama / │ │   yfinance / akshare   │

│ Qwen2.5 / │ │ pandas_ta 技术指标 │

│   DeepSeek)  │ │   自定义数据库连接        │

└───────────────┘ └─────────────────────────┘

各层实现

#### ① 自然语言 → Calc 操作（替代 Copilot 对话）

方案：Ollama + 自定义 Agent

# 本地部署 LLM

ollama pull qwen2.5:14b # 或 deepseek-coder:6.7b

# Python 调用 API
curl http://localhost:11434/api/generate \
-d '{"model": "qwen2.5:14b", "prompt": "...", "stream": false}'

关键在 Agent 层：用 Python 写一个简单的 LLM Agent，解析用户的自然语言输入，转化为 Calc 的 UNO API 或 Macro 命令：

• \"把 A 列求和放到 C10\" → calc_obj.getCellByPosition(2,9).setValue(sum(...))
• \"对第二季度数据做 DCF\" → 触发预设的 DCF 计算流程
• \"对比实际和预算差异\" → 调用差异分析函数

这个 Agent 可以写在 ~/.calc_agent/ 目录下，用 pyoo（LibreOffice 的 Python 桥接库）来控制 Calc 实例。

#### ② SKILL.md 等效方案：YAML/Markdown 脚本

直接向微软学习。 在 ~/.calc_skills/ 目录下放技能定义文件：

# skills/dcf_valuation.yaml

name: DCF 估值模型 version: 1.0 steps: - name: 拉取财务数据 tool: yfinance

params: { ticker: "$TICKER", statements: ["income", "balance", "cashflow"] }

• name: 计算自由现金流 formula: "FCF = OCF - CapEx" output: "Sheet1:A10"
• name: 计算 WACC

formula: "WACC = E/(E+D)*Re + D/(E+D)*Rd*(1-T)"

output: "Sheet1:B10" - name: 构建 DCF 模型 macro: "dcf_model.py"

params: { periods: 5, growth_rate: 0.03 }

• name: 敏感性分析

formula: "二维敏感性表 (增长率 x WACC)"

output: "Sheet2"

然后写一个简单的 skill_runner.py 来读取并执行。

#### ③ 金融数据连接器（开源版）

重点推荐两个 Python 库：

• yfinance——雅虎财经数据，覆盖美股/港股/全球指数，免费
• akshare——中国的 Akshare，覆盖 A 股、期货、基金、宏观数据，国内开发，文档全中文

安装即用：

    import yfinance as yf
    import akshare as ak

# 获取苹果财务数据
aapl = yf.Ticker("AAPL")

income_stmt = aapl.income_stmt

# 获取上证指数数据
sh_index = ak.stock_zh_index_daily(symbol="sh000001")

#### ④ Plan with Copilot → Plan 模式脚本

这个可以直接照搬思路：在 Agent 执行任何修改前，先生成一个 JSON 格式的修改计划，输出到终端或 Calc 的备注中让用户确认：

plan = {

"actions": [

{"type": "update_cell", "range": "DCF!B5:B10", "description": "更新自由现金流预测"},
{"type": "add_formula", "range": "DCF!C12", "formula": "=NPV(WACC, B5:B10)", "description": "计算净现值"},

], "data_sources": ["yfinance: AAPL"],

"assumptions": {"growth_rate": "3%", "wacc": "8.5%"},

"review_needed": True

}
print(json.dumps(plan, indent=2))
# 等用户确认后再执行

#### ⑤ 可追溯修改

Open Source 的好处是你可以选择任意版本控制方式：

• Calc 原生：为工作簿启用\"记录变更\"（Edit → Track Changes → Record）
• Git 版本控制：Calc 文件本质上是 ZIP 包（ODS 格式），可以解压后用 Git 追踪 XML 变化，精确看到哪个单元格被谁改过
• 差异导出：每次 Agent 操作前导出快照，操作后 diff，生成人类可读的变更日志

需要自行开发的部分

我坦诚地说，有些东西开源生态确实没有现成的：

1. Excel 的 LSEG/Moody\'s 连接器——专业金融数据需要付费，开源方案只能替代基础场景
2. Work IQ（工作上下文记忆）——微软引入了全工作上下文记忆，开源方案需要自己搭向量数据库
3. 企业级合规（审计追踪、权限管控）——LibreOffice 缺乏企业级权限模型

但如果你是一个个人分析师、小型投研团队或 Linux 开发者的日常工作流，这套开源方案完全够用。

三、快速上手：打造你的 Linux Calc AI

如果你想今天就试试，以下是 30 分钟搭建步骤：

安装依赖

# ① LibreOffice（大概率已安装）
sudo apt install libreoffice-calc libreoffice-script-provider-python

# ② Ollama + 模型
curl -fsSL https://ollama.com/install.sh | sh

ollama pull deepseek-coder:6.7b # 轻量化，够用

# ③ Python 依赖
pip install pyoo yfinance akshare pandas

# ④ 测试连接
python3 -c "import pyoo; import yfinance; print('✅ 环境就绪')"

最小可用的 AI Calc Agent

创建一个脚本 calc_agent.py：

    import pyoo
    import yfinance as yf
    import json
    import requests

OLLAMA_URL = "http://localhost:11434/api/chat"

    class CalcAgent:

def __init__(self, file_path):
self.desktop = pyoo.Desktop(host='localhost', port=2002)
self.doc = self.desktop.open_spreadsheet(file_path)

def ask_llm(self, prompt):

"""向本地 LLM 提问"""

resp = requests.post(OLLAMA_URL, json={

"model": "deepseek-coder:6.7b",

"messages": [{"role": "user", "content": prompt}],

"stream": False

})
return resp.json()["message"]["content"]

def analysis(self, stock_ticker, cell="A1"):

"""获取股票数据并写入 Calc"""

stock = yf.Ticker(stock_ticker)

sheet = self.doc.sheets[0]

sheet[cell].value = f"{stock_ticker} 当前价格: ${stock.info.get('currentPrice', 'N/A')}"

def run_skill(self, skill_name):

"""执行技能"""

print(f"📋 计划执行: {skill_name}")
print("✅ 请确认 (y/n): ", end="")
if input().lower() == 'y':
print(f"▶️  正在执行 {skill_name}...")
# 实际的 skill 逻辑在这里
print(f"✅ {skill_name} 执行完毕")

if name == "main":

agent = CalcAgent("my_finance.ods")
# 启动 LibreOffice 监听模式:  soffice --accept="socket,host=localhost,port=2002;urp;"
print("🦞 Calc Agent 已就绪")

while True:

user = input("\n> ")
if user.lower() in ("exit", "quit"):

break

print(agent.ask_llm(user))

启动

# 终端 1：启动 LibreOffice 监听模式
soffice --accept="socket,host=localhost,port=2002;urp;"

# 终端 2：启动 AI Agent
python3 calc_agent.py

四、开源方案能做到什么程度

对比一下微软 Copilot 和开源方案的成熟度：

五、总结与推荐

微软 Copilot in Excel 对金融场景的这次升级，技术上确实做得很扎实。SKILL.md 的设计理念尤其值得开源社区借鉴——把工作流和代码分离，让非技术团队也能定义 AI 行为。

对于 Linux 用户，最现实的路径是：用 LibreOffice Calc 做表格界面 + Python/Ollama 提供 AI 能力 + yfinance/akshare 提供金融数据。 它不是一键安装的\"替代品\"，但提供了一个可扩展、可定制、完全属于你的金融分析框架。

如果你对这套方案感兴趣，可以从今天的 30 分钟搭建入手。等基础 Agent 跑通了，再逐步加入 SKILL.md 技能定义、Plan 模式和版本追溯能力。

在 Linux 生态下做金融分析，从来不是\"等别人给你造好\"的事情。但正因为能自造，所以更自由。

━━━ ━━━ ━━━

后记： 原文《Copilot in Excel: Built for the era of Frontier Finance》发布于微软官方博客，作者为 Microsoft 365 团队。本文 Linux 开源方案涉及的组件（LibreOffice、Ollama、yfinance、akshare）均为开源或免费使用。

━━━ ━━━ ━━━

*欢迎关注 LeisureLinux，获取更多深度技术解读。*

构建工程团队技能库：架构、策略与实战解读

Claude 技能库全线刷屏！GitHub 今日热帖：数据分析、本地 LLM 与 AI 代理实战

ToolLoop 解读：当你的 AI Agent 不再被一个模型绑架

深度解密 OpenClaw：驱动自主代理的核心四件套