Claude Code × DeepSeek × 积木报表：AI报表到底有多智能？一次产品级落地实测

JEECG官方博客

13人浏览 · 2026-06-29 12:00:56

JEECG官方博客 · 2026-06-29 12:00:56 发布

Claude Code Skills 内置到 JimuReport — DeepSeek 驱动，无需安装 Claude Code

AI 报表喊了好几年，各家产品都在接大模型，但落地体验参差不齐——有的只是在报表里嵌了个聊天框，问两句就答不上来；有的配置复杂、依赖一堆外部工具，普通用户根本用不起来。

最近积木报表（JimuReport）v2.5.0 发布，官方特别提到一点：深度集成 Claude Code 的 Skills 能力，无需额外依赖 Claude Code 环境，接入 DeepSeek 大模型后即可使用。

这句话挺有意思——为什么要提 Claude Code Skills？产品到底有多智能？ 带着这两个问题，我花了几天时间做了一次系统性实测，把结论写下来。

行业首创：积木报表本次在行业内开创先河——将 Claude Code 的 Skills 机制直接内置到产品中，用户无需安装 Claude Code、无需配置 CLI 环境、无需了解 Skills 的工作原理，开箱即可获得同等的领域 AI 智能。这是国内低代码/报表工具中第一个将 Claude Code Skills 能力产品化落地的案例。

Claude Code Skills 是什么？产品为什么要"借"它？

先解释一下背景。Claude Code 是 Anthropic 推出的 AI 编程助手，其中有个 Skills 系统：它允许开发者把特定领域的知识和操作能力封装成"技能包"，AI 在处理任务时会先查找匹配的 Skill，按照预定义的流程和规则来执行，而不是泛泛地生成文本。

这带来的核心优势是：AI 的行为变得可预期、可控制、领域专精。比如让 AI “生成一张分组交叉报表”，如果只是提示词工程，模型的理解和输出质量高度不稳定；但如果有一个专门的"报表生成 Skill"，它知道什么是分组、什么是交叉、如何构造 SQL、如何绑定数据集，结果就会稳定得多。

问题在于，Claude Code 是一个独立工具，普通产品用户不会安装它，更不会配置 Skills 环境。如果产品智能化必须依赖 Claude Code，那推广门槛极高。

积木报表 v2.5.0 走的路子是：把 Skills 的设计思想内化到产品里，用 DeepSeek 作为底层模型驱动，不需要用户安装任何额外工具。Skills 的能力在产品内部实现，DeepSeek 负责理解和推理，用户只需要在 application.yml 里填几行配置就能用。

积木报表 AI 助手架构 — Skills 引擎 + DeepSeek 驱动

这个设计思路本质上回答了一个产品命题：AI 时代，怎么让你的产品真正拥有领域 AI 智能，而不是简单地调用通用大模型 API？

答案是：把通用大模型的能力通过领域 Skill 封装，让 AI 知道"在这个产品里应该怎么做事"。而积木报表证明了这条路完全可以走通——不依赖 Claude Code 工具，照样能把 Skills 的精髓带给每一个用户。

接入极简：5 分钟跑通 AI 报表

配置部分出乎意料地简单，修改 application.yml 即可：

jeecg:
  jmreport:
    ai:
      base-url: https://api.deepseek.com
      api-key: sk-xxxxxxxx        # 替换为你的 DeepSeek API Key
      model: deepseek-v4-pro
      temperature: 0
      max-tokens: 16384
      autoTableEnabled: false     # 生产环境建议关闭自动建表

Maven 依赖同样简洁：

<!-- 积木报表 SpringBoot3 -->
<dependency>
    <groupId>org.jeecgframework.jimureport</groupId>
    <artifactId>jimureport-spring-boot3-starter</artifactId>
    <version>2.5.0</version>
</dependency>

<!-- 积木大屏 SpringBoot3 -->
<dependency>
    <groupId>org.jeecgframework.jimureport</groupId>
    <artifactId>jimubi-spring-boot3-starter</artifactId>
    <version>2.5.0</version>
</dependency>

配置完重启服务，AI 能力全部上线。需要注意的是，产品内置的 Skills 能力部分通过 Python 脚本调用后端 API，因此需要提前安装 Python 运行环境：

前置依赖：Python 3.12+

下载地址：https://www.python.org/downloads

安装后确保终端可以执行 python --version 或 python3 --version

Skills 内部的脚本会自动调用 python / python3 命令

除 Python 外，不需要额外的 Java SDK、Node.js 或其他中间件，对企业级项目来说接入门槛依然很低——只要把 Python 装好，其余的 AI 能力开箱即用。

实测：AI 报表到底有多智能？

这是本文的核心部分。我把 v2.5.0 的 AI 能力分成三个维度逐一实测：生成能力、修改能力、大屏能力。

维度一：生成报表

入口在报表列表页 → 新建报表 → AI 生成报表。支持 18 类报表类型，我选了几个典型场景测试：

测试 1：分组统计报表

输入：用 JSON 自造数据，做一张部门销售业绩报表，字段：部门/姓名/销售额/销售月份，按部门分组并显示小计

结果：AI 流式输出生成进度，约 15 秒后自动打开报表设计器，数据集、表格、分组、绑定全部配置好，点"预览"直接出带真实数据的报表，分组正确、小计准确。

AI 生成报表 — 输入需求，流式展示生成进度

生成完成，报表设计器自动渲染（数据集、表格、分组、绑定均已配好）

点击预览，带真实分组数据和小计的报表

这个结果让我有点意外——不是简单地给一个 SQL 模板，而是真的把整个报表设计器的状态都配置好了。

测试 2：交叉报表

输入：做一张商品类目与月份的交叉销售额报表，行是商品类目，列是月份

交叉报表是报表领域里相对复杂的需求，之前手动配置需要理解"行表头"“列表头”"数据格"的概念。AI 这次生成的结果结构正确，行列绑定没有混淆，数据格里的聚合公式也对。

交叉报表生成效果 — 行列绑定正确、聚合公式自动配置

测试 3：按截图生成

把一张截图（Excel 格式的财务报表）上传给 AI，让它"按照这张图的样式生成同类型报表"。

这个功能更像 Claude Code 里视觉理解 Skill 的体现——AI 解析图片里的表格结构、样式风格，然后在报表设计器里复现。结果并非完美（列宽和某些复杂合并单元格稍有偏差），但基础结构和数据绑定方式是对的，二次调整工作量比从头设计少很多。

按截图生成报表 — AI 解析图片结构后自动还原报表设计

维度二：对话式修改报表

报表设计器右下角有"AI 修改报表"入口，支持两种模式：

讨论模式：AI 只给文字方案，不真正执行修改，适合多轮打磨
应用模式：AI 直接改报表，应用前自动保存快照，可一键回滚

我的测试序列：

用户：把表头改成蓝色背景白色加粗字体
AI：（讨论模式）建议将所有列表头的背景色设为 #1E6FBE，字体颜色设为白色，字重 bold...
用户：颜色换成深绿色，字号放大到 14px
AI：（更新方案）...
用户：好，应用修改
AI：（执行修改，设计器实时更新）

AI 修改报表对话面板 — 多轮讨论后一键应用

整个流程比想象中顺滑。多轮讨论→方案确认→一键应用，这个交互设计本身就体现了 Skills 系统"先规划后执行"的理念。回滚功能实测也正常，修改出问题随时撤销。

其他测试过的指令：

加一行合计对销售额求和 — 成功，公式正确
把饼图换成玫瑰图 — 成功，图表类型切换无误
整体配色换深色主题 — 成功，背景/字体/边框整体调整
数据行加斑马线 — 成功，奇偶行色差配置到位

维度三：AI 大屏

大屏的 AI 能力更直观。BI 工作台 → 新建 → AI 生成大屏，输入一段业务场景描述，AI 生成包含地图、KPI 卡、柱状图、排行榜等组件的完整大屏布局。

和报表的区别在于：大屏更偏"设计感"，AI 除了能理解数据逻辑，还需要理解空间布局和视觉风格。v2.5.0 里内置了场景提示词（类似 Skill 的预设模板），输入"电商销售大屏"会自动带入行业背景知识，生成的大屏组件选型和配色更贴合场景。

对话式修改大屏的能力范围：

改背景 / 加边框 / 改配色
选中组件后用自然语言描述数据绑定
调大小 / 改字体 / 加圆角

同样支持讨论→确认→应用的双模式，同样可以回滚。

一句话生成完整数据大屏 — 内置场景提示词

AI 对话式修改大屏配置面板

智能度全景：9 大 AI 能力一览

积木报表 AI 能力矩阵总览

整理一下 v2.5.0 的完整 AI 能力矩阵：

能力	入口	实测稳定性
一句话生成报表（18 类型）	报表列表 → 新建 → AI 生成报表	较高
按截图生成报表	AI 生成报表 → 上传图片	中等
AI 添加组件（图表/表格）	设计器内"AI 修改报表"输入"添加图表"	较高
对话式修改报表样式	设计器右下角 AI 修改报表	极高
讨论/应用双模式 + 一键回滚	同上	极高
一句话生成完整大屏	BI 工作台 → 新建 → AI 生成大屏	较高
AI 添加大屏组件	大屏设计器顶部 Ai+ 图标	较高
对话式修改大屏配置	大屏设计器右下角 AI 修改配置	较高
AI 数据建模（表结构+字段描述）	报表列表 → 数据源管理	较高
根据业务描述自动生成 SQL	AI 生成报表过程中	较高

总体来说，生成类能力（报表、大屏初始生成）稳定性略低于修改类能力，这符合预期——初始生成需要凭空建立复杂结构，修改是在已有结构上做精确调整，任务复杂度差别很大。但即便是生成类，稳定性也达到了"生产可用"的门槛（不需要手工重建，只需二次调整）。

值得关注的细节

AI 数据建模是容易被忽视的基础能力。v2.5.0 在数据源管理里增加了"表结构+字段业务描述"的维护入口，这些描述会作为上下文提供给 AI，告诉它"销售额字段单位是万元"“客户ID是外键关联客户表”。填得越清楚，AI 生成的报表/大屏越贴合业务，这一点和 Claude Code Skills 里"给 AI 提供领域上下文"的思路是一样的。

安全设计上 autoTableEnabled: false 是默认关闭的，这个开关控制 AI 是否能直接对数据库执行 DDL/DML。生产环境建议永远关闭，让 AI 只做"生成配置"的事，数据库操作由人工审核后执行。

DeepSeek deepseek-v4-pro 的推理速度在实测中表现不错，生成一张中等复杂的报表约 10-20 秒，对话修改响应在 5 秒内，流式输出让等待感降低很多。

小结

Claude Code Skills 的价值不仅仅在于 Claude Code 工具本身，更在于它提供了一种AI 能力组织方式：把通用大模型的能力，通过领域专属的 Skill 封装，变成可预期、可控制、可落地的产品智能。

积木报表 v2.5.0 做的事情，本质上是把这套思想内化到报表产品里，用 DeepSeek 驱动，让不懂 AI、不装 Claude Code 的业务人员也能用上这套能力。

实测下来，整体智能度达到了"真能用于生产"的水平——不是 Demo 级别的噱头，而是能真正减少报表开发工作量的实用功能。对于已经在用积木报表的团队，这次升级的性价比很高；对于还没用的团队，这是一个值得认真评估的时间点。

代码地址：https://github.com/jeecgboot/JimuReport
快速集成文档：https://help.jimureport.com/quick.html
在线体验：http://jimureport.com/login
积木 Skills：https://jimureport.com/skills