用 TRAE Work 实现数据采集分析自动化

本文作者：Damond，TRAE 核心用户

作者背景介绍：

• 个人职业：美妆行业的数据分析技术岗

• 日常高频工作内容：经营数据采集、数据清洗、数据分析、数据报告提报

• 本次使用功能：TRAE Work + Skill 自动化 + 飞书云文档

前言

作为美妆行业的数据分析岗，我的日常离不开多数据源的周期性采集、清洗、整合与提报，长期依赖人工复制粘贴和 RPA，链路割裂、易出错、纯耗时。

本文我将为大家分享如何用 「TRAE Work + Skill 自动化 + 飞书云文档」，把这条模糊、易错、依赖人工经验的办公流程，逐步改造成一条可执行、可验证、可调度、可协作的数据生产线：从封装采集 Skill、配置定时任务，到自动归档飞书、数据自动校验，最终实现每周一数据自动出现在飞书、开箱即评审的无人值守闭环。

文中同时复盘了 HID 弹窗、单位丢失等真实难题的解法，以及我的使用技巧与改进期待。

实践背景

在做这套自动化之前，我的经营数据工作长期卡在「链路长、环节割裂、稳定性差」这几个痛点上。

整个流程从采集到提报要跨多个环节，每一环都要人工介入，既耗时又容易出错。具体来说：

• 【需求高频且周期性】在运营数据需求支持工作中，需要定期对多个数据源 进行周期性趋势定位与分析，才能充分判断运营策略是否需要调整和把控节奏。

• 【全链路割裂】数据采集、清洗、整合、分析、报告提报，以往都是各自割裂、彼此脱节的。

• 【采集不稳定】刚开始数据采集靠手工一条条复制粘贴；后来改用 RPA 软件模拟采集，人虽然轻松一些，但经常定位不准、突然卡断，往往要重跑好几次才能拿到结果。

• 【清洗标准不统一】数据清洗与整合第一阶段标准不一致，只能靠人眼手工处理；第二阶段虽用脚本快速清洗合并有所改善，但采集与清洗、整合之间仍是割裂分离的状态。

• 【提报难追溯】数据提报只能通过飞书消息对话传文件，无法很好地形成追溯与沉淀。

TRAE Work 让我想到完整串联解决以上的痛点：通过一条真正可以无人值守、自动执行、能够自我校验、结果自动归档到飞书的数据生产线。

核心场景

场景一：Skill 驱动的数据采集（替代人工操作网页）

我把自己日常在数据平台上的完整操作流程，封装成了一个 TRAE Skill （data-automation）。

整个 Skill 包含一条完整的 CLI 自动化流水线：

环境检查 → 依赖安装 → 经营概览采集 → 条件筛选 → 经营明细数据采集
→ 数据清洗 → 数据合并 → 数据校验 → 输出最终 Excel

在 TRAE Work 中只需要一句话就能启动：

请执行 data-automation 完整流程

TRAE Work 会自动读取 Skill 说明、安装依赖、打开 Chrome、完成登录授权、逐一采集数据、清洗合并、校验通过后输出 Excel。

场景二：TRAE Work 定时任务（无需人工关注）

数据采集不需要我每天手动触发。我通过 TRAE Work 的定时任务功能，配置了每周一早上 7 点自动执行：

1. 执行 data-automation Skill 完整流程

2. 将合并后的结果文件上传飞书云文档

配置完成后，每周一早上到工位打开飞书，最新的数据报告已经生成好了。

场景三：飞书云文档自动归档（团队协作更敏捷）

过去采集完数据后，还要手动上传到飞书、更新文档链接、通知团队成员。现在这一步也自动化了。

Skill 执行完成后，TRAE Work 会自动调用 飞书 CLI ，将最终 Excel 作为飞书电子表格上传到飞书云文档。团队成员打开飞书就能直接查看最新数据，周一上班直接打开数据结果链接即可开会评审。

整个流程从"人工操作网页 → 手动整理 Excel → 手动上传飞书"，变成了：

"TRAE Work 定时触发 → Skill 自动采集 → 自动清洗合并校验 → 自动上传飞书电子表格 → 团队直接在飞书查看"

*图中涉及的数据敏感信息已屏蔽 / 修改

场景四：数据校验与质量保障（不让错误流入下一环节）

这是和之前的工作流最大的区别。以前人工操作时，漏选一个筛选条件可能几天后才发现，但是现在每一步都有校验：

• 每个核心采集点必须全部采集成功

• 每个核心采集点必须有 30 条数据

• 单位转换需兼顾中文可读性，数值换算与排序需同时支持

• 最终 Excel 必须包含品牌达人明细和品牌概览两个 Sheet

• 任一校验不通过，流程立即停止并保存 debug 截图

如何实践

我没有一开始就让 AI "直接写一个完整脚本"，而是把工作拆成多个可以肉眼验收的步骤。

第一步：先让 TRAE Work 理解真实流程

我把原有 RPA 流程图、Python 脚本、操作录屏和字段要求一起交给 TRAE Work，让它先整理流程，而不是急着写代码。

先不要完整运行。
请根据 操作步骤 流程图、现有 Python 脚本和操作录屏，
整理从登录、采集、明细采集，到清洗和合并的完整操作步骤，
并列出每一步的输入、输出和校验条件。

*涉及数据敏感信息已屏蔽/已修改

第二步：分段执行，逐段验收

整个项目按阶段推进：登录验证 →品牌概览 → 全量概览 → 筛选验证 → 单达人 → 全量达人 → 清洗测试 → 合并测试 → 完整流程 → 飞书上传 → 定时任务配置。

这个过程最有价值的一点，是 TRAE Work 可以持续读取运行日志、截图和 Excel 结果，再修改脚本，而不是每次都从头解释项目。

第三步：从"能跑"升级到"能调度"

脚本稳定后，我让 TRAE Work 帮我做了三件事：

1. 封装成 Skill：补齐 SKILL.md、配置文件、自动依赖安装、默认输出目录、结果校验，让其他环境也能调用；

2. 配置定时任务：通过 TRAE Work Work 的 Schedule 功能，设定每周一自动执行；

3. 对接飞书：通过飞书 CLI，将结果自动上传为飞书电子表格。

TRAE Work 如何解决最难的问题

难题一：Chrome 原生 HID 弹窗无法用网页选择器控制

登录后需要点击右上角头像、点击"更新"，再在 Chrome 原生 WebHID 浮窗中选择 USBKey。

最初只能使用屏幕坐标点击，但这对分辨率和系统缩放非常敏感，不适合打包成可迁移的 Skill。

最终方案：

• 枚举 USBKey 的 VID/PID；

• 为目标网站写入 Chrome WebHidAllowDevicesForUrls 策略；

• 默认关闭坐标点击，仅在策略无法生效时保留鼠标点击作为兜底。

难题二："亿"单位丢失导致排名错误

1.26亿 被截成 1.26，3.21亿 被截成 3.21，亿元级数据反而排到了万元级后面。

TRAE Work 帮我从最终 Excel 一路反查到采集源头，发现销售额拆分正则只识别 w，没有识别中文的 万/亿。最终处理方式：采集阶段完整保留 万、亿、w，、展示值保留原单位、排序时统一换算为数值、校验时主动查找疑似被截断的裸数字。

*涉及数据敏感信息已屏蔽 / 已修改

最终成果

最终成果是一个 Skill + 定时任务 + 飞书云文档 的完整自动化方案：

data-automation-skill/
├─ SKILL.md                          # Skill 说明文件
├─ run_full_pipeline.ps1             # 单一入口
├─ config/
│  ├─ config.json                    # 运行配置
│  └─ config.example.json            # 配置模板
├─ scripts/
│  ├─ data_brand_scraper.mjs     # 概览采集
│  ├─ data_blogger_scraper.mjs   # 明细数据采集
│  ├─ clean_blogger_excel.py          # 数据清洗
│  ├─ merge_feigua_data.py            # 数据合并
│  ├─ setup_chrome_webhid_policy.ps1  # WebHID 策略
│  └─ validate_pipeline_outputs.py   # 结果校验
└─ output/                            # 输出目录

三层自动化架构：

效率提升对比

时间对比

质量提升

以前人工操作中，漏选筛选条件、分页遗漏、单位丢失等问题时有发生，往往开会发现错漏，临时对数据需要返工。

现在：AI 执行，我直接提交结果

工作方式的变化

以前：每周一早上手动打开数据平台 → 逐一搜索 → 切换页面 → 复制字段 → 翻页 → 清洗 → 合并 → 上传飞书 → 通知团队

现在 ：每周一早上打开飞书，数据已经在那里了。

---

5 个 TRAE Work 使用技巧

技巧 1：先让 AI 复述流程，再让它写代码

如果 AI 连真实操作路径都没有理解，写得越快，返工越多。

技巧 2：把"肉眼看到的问题"转成可执行校验

不要只说"推广按钮好像没点到"，而要改成："先判断"推广"按钮位置，再尝试操作，仍未检测到推广按钮时，停止采集并保存截图。"问题不会在下一次执行中悄悄复发。

技巧 3：单核心采集点验证通过后，再跑全量

全量运行接近 50 分钟。如果不先做单核心采集点验证，任何小错误都会浪费一整轮时间。

技巧 4：让 AI 检查最终文件，而不只是检查"脚本"

真正的完成标准不是终端显示成功，而是 Excel 文件存在、行数正确、字段没有错位、金额单位没有丢失、排序符合业务逻辑。

技巧 5：学会用 Skill + 定时任务 + 飞书实现"闭环自动化"

脚本稳定后，分三步升级你的工作流

• 封装成 Skill：让 AI 可直接调用

• 配置定时任务：让执行可调度

• 对接飞书云文档：让结果可协作

这一步让项目从"我的电脑上能跑"，变成"每周一早上数据自动出现在团队的飞书里"。

写在最后

这次实践让我感受最深的是：AI 编程真正有价值的地方，不只是帮我多写了几百行代码，而是帮助我把一个模糊、易错、依赖人工经验的办公流程，逐步变成了可执行、可验证、可调度、可协作的系统。

从最开始"怎么点到某个按钮"，到"怎样让其他 AI 也能执行 Skill"，再到"怎样让数据每周一自动出现在飞书里"：项目的目标在不断升级。

最终交付的不只是一个 Excel，而是一套能稳定生产数据、自动归档到团队协作空间的无人值守生产线。