メニュー
分析大型 JSON 文件（支持 100MB+）并生成格式说明文档（Markdown 或 CSV）。当用户需要分析 JSON 文件结构、生成 JSON Schema 文档、理解大数据集的字段组成、或导出字段清单时，使用此 skill。适用于数据探索、API 文档生成、数据验证、字段清单导出等场景。支持流式读取避免内存溢出，输出层级树状结构的 Markdown 文档或结构化 CSV 表格。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
SOC 職業分類に基づく
| name | json_analysis |
| description | 分析大型 JSON 文件（支持 100MB+）并生成格式说明文档（Markdown 或 CSV）。当用户需要分析 JSON 文件结构、生成 JSON Schema 文档、理解大数据集的字段组成、或导出字段清单时，使用此 skill。适用于数据探索、API 文档生成、数据验证、字段清单导出等场景。支持流式读取避免内存溢出，输出层级树状结构的 Markdown 文档或结构化 CSV 表格。 |
分析大型 JSON 文件的结构，生成详细的格式说明文档，包括：
当 JSON 文件的顶层是字典且所有值具有相似结构时（如自动驾驶帧数据、IoT传感器数据）：
{
"17687934610349602": { "header": {...}, "lanes": [...] },
"17687934610848112": { "header": {...}, "lanes": [...] },
...
}
分析器会：
支持 Markdown（默认）和 CSV 两种输出格式：
python scripts/analyze_json.py <json文件路径> [选项]
| 参数 | 说明 | 默认值 |
|---|---|---|
json文件路径 | 要分析的 JSON 文件路径 | 必需 |
-o, --output <路径> | 指定输出文件路径 | 自动生成 |
-f, --format <格式> | 输出格式：markdown 或 csv | markdown |
-s, --sample <数量> | 采样大小（同质结构分析时） | 20 |
-d, --desc <文件> | 字段描述文件（JSON/CSV） | 无 |
# 基本用法
python scripts/analyze_json.py data.json
# 指定输出路径
python scripts/analyze_json.py data.json -o report.md
# 指定采样大小（大文件建议增加采样）
python scripts/analyze_json.py data.json -s 50
# 生成 CSV 格式
python scripts/analyze_json.py data.json -f csv
# 指定输出路径
python scripts/analyze_json.py data.json -f csv -o fields.csv
创建字段描述文件 descriptions.json：
{
"header.frame_id": "帧ID",
"header.seq": "序列号",
"header.time_stamp": "时间戳（毫秒）",
"lanes[].id": "车道线ID",
"lanes[].lane_type": "车道线类型"
}
或使用 CSV 格式 descriptions.csv：
字段路径,描述
header.frame_id,帧ID
header.seq,序列号
header.time_stamp,时间戳（毫秒）
然后运行：
python scripts/analyze_json.py data.json -f csv -d descriptions.json
# 旧版格式仍然支持
python scripts/analyze_json.py data.json report.md 50
from scripts.analyze_json import analyze_json_file, generate_markdown_report
# 分析文件
result = analyze_json_file('algo_env.json', sample_size=20)
# 生成 Markdown 报告
generate_markdown_report(
'algo_env.json',
result,
'algo_env_schema.md'
)
print(f"总记录数: {result['total_count']}")
print(f"字段数: {len(result['properties'])}")
from scripts.analyze_json import analyze_json_file, generate_csv_report
# 分析文件
result = analyze_json_file('algo_env.json', sample_size=20)
# 定义字段描述（可选）
field_descriptions = {
"anchor_pos.lng": "锚点经度（度）",
"anchor_pos.lat": "锚点纬度（度）",
"anchor_pos.height": "锚点海拔高度（米）",
"idmap_status.map_available": "地图是否可用"
}
# 生成 CSV 报告
generate_csv_report(
'algo_env.json',
result,
'algo_env_fields.csv',
field_descriptions=field_descriptions
)
from scripts.analyze_json import load_field_descriptions
# 从 JSON 文件加载
desc_map = load_field_descriptions('descriptions.json')
# 从 CSV 文件加载
desc_map = load_field_descriptions('descriptions.csv')
生成的报告包含：
# JSON 文件结构分析报告
**源文件**: `algo_env.json`
**文件大小**: 154.27 MB
**总记录数**: 774
**分析字段数**: 456
## 结构特点
- **顶层键类型**: 毫秒级时间戳（如 17687934610349602）
- **实例数量**: 774 个
- **可选字段**: 27 个（部分实例可能缺失）
## 结构概览
### 统一 Schema 结构树
(实例标识符) │ ├── header │ │ ├── frame_id (string) │ │ ├── seq (integer) │ │ └── time_stamp (number) │ ├── lanes[] │ │ ├── confidence (number) │ │ ├── id (integer) │ │ └── lane_type? (string) ...
## 字段详细说明
| 字段路径 | 类型 | 出现率 | 示例值 |
|----------|------|--------|--------|
| `header.frame_id` | string | 100% | vcs[Cognition] excute_time... |
| `header.seq` | integer | 100% | 81908 |
| `lanes[].id` | integer | 100% | 5663 |
| `lanes[].lane_type?` | string | 80% | ENUM_NONE |
CSV 文件包含以下列：
| 列名 | 说明 |
|---|---|
字段路径 | 字段的完整路径（如 header.frame_id） |
数据类型 | 推断的数据类型（string/integer/number/boolean/array/object） |
出现率 | 字段在记录中出现的百分比 |
是否可选 | 出现率 < 95% 标记为"是" |
示例值 | 采样获取的示例值 |
字段描述 | 从描述文件加载的字段说明（如有） |
CSV 示例：
字段路径,数据类型,出现率,是否可选,示例值,字段描述
anchor_pos.lng,number,100%,否,106.81946189087571,锚点经度（度）
anchor_pos.lat,number,100%,否,29.760760436992676,锚点纬度（度）
header.frame_id,string,100%,否,vcs[Cognition],帧ID
lanes[].id,integer,95%,是,5663,车道线ID
同质结构识别:
内存优化:
类型映射:
str → stringint → integerfloat → numberbool → booleanlist → arraydict → objectCSV 输出:
当用户说"你来问我"、"ask me"时触发。第一次创建方案或设计时触发。修改文件后用于理解变更意图。关键：当你（AI）感到困惑、不确定如何执行、或指令有歧义时——不要猜测，立即调用此skill。当你觉得方案有多种执行的可能，你从中挑选了一种的时候，立刻调用此skill确认你的选择是否正确。
深度简化Python代码，通过运行时日志分析识别并移除死代码。 当用户需要简化代码、清理未使用的代码、优化代码结构、移除死代码时使用此skill。 适用于：代码清理、死代码检测、代码重构前的分析、代码库瘦身。 使用方法：/deep-simplify <file_path>
依据 GB/T 20001.5—2017 和 GB/T 20001.1—2024 审查规范标准草稿的合规性。当用户上传或粘贴标准草稿，并要求进行合规审查、符合性检查、标准编写审核时使用。
更新项目 CLAUDE.md 文档以保持与项目状态一致。当用户明确请求"更新CLAUDE.md"、"同步文档"、"刷新项目说明"、"检查文档一致性"或类似的明确指令时触发。也适用于项目结构发生重大变化后需要更新文档的场景。
检查并修复 Python 文件的命名规范，确保文件名与主要类名保持一致。 **命令格式：** `/python-naming-convention <file_path> [--fix]` - 无 `--fix`：仅检查，输出命名规范报告 - 有 `--fix`：执行完整修复流程（复制文件→更新引用→验证） **触发场景：** - 用户要求检查代码命名规范 - 用户提到文件名和类名不一致 - 需要验证 Python 文件是否符合项目的命名约定 - 需要自动修复命名不一致的问题 **检查规则：** - 类名使用大驼峰（PascalCase），如：EgoMsgMapNode - 文件名使用小写+下划线（snake_case），如：ego_msg_map_node.py - 文件名应与主类名对应：EgoMsgMapNode → ego_msg_map_node.py