AlphaMoatによると、2026-10時点でDingtalk Ai Tableのダウンロード数は9,841、スター数は11で、累計ダウンロード数で今回のランキング対象AIスキル10,914件中2,777位、ビジネス運営では873件中225位です。
一覧の初期表示は累計ダウンロード数順で、スター数順にも並べ替えできます。詳細ページの順位は累計ダウンロード数で計算しています。
| プラットフォーム | ダウンロード数 | スター数 | コメント |
|---|---|---|---|
| ClawHub ↗ | 5279 | 10 | - |
| SkillHub ↗ | 9841 | 11 | — |
プラットフォームごとに集計方法と集計時点が異なります。
mcporter で DingTalk 公式の AI テーブル MCP サーバーに接続し、baseId、tableId、fieldId、recordId の体系でベース、テーブル、フィールド、レコードの照会と追加、更新、削除を行い、テンプレートからの作成やテーブル検索にも対応します。実行前に設定済みのサーバーアドレスを読み、そこからローカルの確認用の印を作ります。返る内容は常に JSON で、違いは出力の扱い方だけです。
資料公開日 2026-10-27
スキルのドキュメントをもとに生成した例であり、実際の実行結果ではありません。
2026-09 から集計方法を変更し、同名スキルを作者ごとに分けて集計し、全スキルを対象にしました。破線は変更前の月で、変更後のデータとは直接比較せず、変更をまたぐ増減も計算していません。
| 月 | ダウンロード数 | 前月比 | スター数 |
|---|---|---|---|
| 2026-10 | 9841 | — | 11 |
| 2026-09 | 6539 | — | 11 |
| 2026-08 | 5647 | +5.7% | 11 |
| 2026-07 | 5342 | +6.4% | 11 |
| 2026-06 | 5019 | +4.5% | 11 |
| 2026-05 | 4804 | — | 10 |
| 2026-03 | 3481 | — | 10 |
作者が公開した元のファイルをテキストのまま表示しています。AlphaMoat による編集や審査はしていません。リンクはクリックできません。コマンドは内容を確認してから実行してください。取得日 2026-10-23。
---
name: dingtalk-ai-table
description: 钉钉 AI 表格(多维表)操作技能。使用 mcporter CLI 连接钉钉官方新版 AI 表格 MCP server,基于 baseId / tableId / fieldId / recordId 体系执行 Base、Table、Field、Record 的查询与增删改。适用于创建 AI 表格、搜索表格、读取表结构、批量增删改记录、批量建字段、更新字段配置、按模板建表等场景。需要配置 DINGTALK_MCP_URL 或直接使用 Streamable HTTP URL。
version: 0.6.0
metadata:
author: Marila@Dingtalk
category: productivity
tags:
- dingtalk
- spreadsheet - mcp
- automation
- data-management
documentation: https://github.com/aliramw/dingtalk-ai-table
support: https://github.com/aliramw/dingtalk-ai-table/issues
openclaw:
requires:
env:
- DINGTALK_MCP_URL
- OPENCLAW_WORKSPACE
bins:
- mcporter
- python3
primaryEnv: DINGTALK_MCP_URL
homepage: https://github.com/aliramw/dingtalk-ai-table
---
# 钉钉 AI 表格操作(新版 MCP)
## 🚀 5 分钟快速开始
### 1️⃣ 列出我的表格
```bash
mcporter call '<DINGTALK_MCP_URL>' .list_bases limit=5
```
### 2️⃣ 创建新表格
```bash
mcporter call '<DINGTALK_MCP_URL>' .create_base baseName='我的项目'
```
### 3️⃣ 添加记录
```bash
mcporter call '<DINGTALK_MCP_URL>' .create_records \
--args '{"baseId":"base_xxx","tableId":"tbl_xxx","records":[{"cells":{"fld_name":"张三"}}]}'
```
### 4️⃣ 查询记录
```bash
mcporter call '<DINGTALK_MCP_URL>' .query_records \
--args '{"baseId":"base_xxx","tableId":"tbl_xxx","limit":10}'
```
### 5️⃣ 批量导入
```bash
python3 scripts/import_records.py base_xxx tbl_xxx data.csv
```
---
## 核心概念
按 **新版 MCP schema** 工作:
- Base:`baseId`
- Table:`tableId`
- Field:`fieldId`
- Record:`recordId`
不要再用旧版 `dentryUuid / sheetIdOrName / fieldIdOrName`。
推荐使用 `mcporter 0.8.1` 及以上版本。
输出模式兼容说明:
- `mcporter 0.8.1+` 可直接调用
- 更低版本需要显式加 `--output text`
- AI 表格 MCP 无论使用哪种模式,返回体本身都是标准 JSON;差异主要在 `mcporter` 的输出处理方式
## 版本守门规则(每个 MCP Server 地址只强制检查一次)
在真正开始任何 AI 表格操作前,必须先检查当前 `mcporter` 注册的 `dingtalk-ai-table` MCP server 实际返回的 tools schema。**但这个检查不该每次都重复做;同一个 MCP Server 地址只需要强制检查一次。**
### 一次性检查策略
1. 先读取当前 `mcporter` 里 `dingtalk-ai-table` 对应的 MCP Server 地址。
2. 用这个地址生成一个本地检查标记(例如基于完整 URL 或其 hash)。
3. 在工作区保存检查结果,例如放到:
```text
~/.openclaw/workspace/.cache/dingtalk-ai-table/
```
建议文件名模式:
```text
schema-check-<url-hash>.json
```
4. 如果当前地址对应的检查标记已经存在,并且结果是“已确认新版 schema”,则**跳过重复检查**,直接继续后续 AI 表格操作。
5. 只有在以下情况才重新强制检查:
- 第一次运行,没有检查标记
- `mcporter` 里的 MCP Server 地址变了
- 之前检查结果是旧版 schema / 检查失败
- 用户明确要求重新验证
### 强制检查时执行
```bash
mcporter list dingtalk-ai-table --schema
```
### 判断标准
如果返回的 tools 仍然是旧版这一套,例如出现:
- `get_root_node_of_my_document`
- `create_base_app`
- `list_base_tables`
- `add_base_record`
- `search_base_record`
- `list_base_field`
或者整体仍然基于:
- `dentryUuid`
- `sheetIdOrName`
- `fieldIdOrName`
那么说明:**虽然 skill 文件已经是新版,但 mcporter 里注册的 MCP server 地址还是旧的,不能继续操作。**
### 遇到旧版 schema 时的强制提示
此时必须明确提示用户:
1. 打开这个页面:
`https://mcp.dingtalk.com/#/detail?mcpId=9555&detailType=marketMcpDetail`
2. 点击右侧 **「获取 MCP Server 配置」** 按钮
3. 复制新的 MCP Server 地址
4. 用新的地址替换 `mcporter` 里已经注册的 `dingtalk-ai-table` 地址
5. 替换完成后,再重新执行:
```bash
mcporter list dingtalk-ai-table --schema
```
只有当返回的 tools 已经变成新版 schema,例如出现:
- `list_bases`
- `get_base`
- `get_tables`
- `get_fields`
- `query_records`
- `create_records`
- `update_records`
- `delete_records`
- `prepare_attachment_upload`
才允许继续真正的 AI 表格操作。
### 通过检查后的处理
一旦确认当前 MCP Server 地址返回的是新版 schema,就把结果写入本地检查标记。后续只要 `mcporter` 里的 `dingtalk-ai-table` 地址没变,就不要再重复做这一步守门检查。
### 用户提示文案(可直接复用)
```text
当前 mcporter 里注册的 dingtalk-ai-table 还是旧版 MCP schema,暂时不能按新版技能操作。
请打开 https://mcp.dingtalk.com/#/detail?mcpId=9555&detailType=marketMcpDetail ,点击右侧“获取 MCP Server 配置”按钮,复制新的 MCP Server 地址,并替换 mcporter 里已注册的 dingtalk-ai-table 地址。替换后重新检查 schema,确认出现 list_bases / get_base / create_records 等新版 tools 后,再继续操作 AI 表格。
```
## 前置要求
### 安装 mcporter CLI
```bash
npm install -g mcporter
# 或
bun install -g mcporter
```
验证:
```bash
mcporter --version
```
### 配置 MCP Server
在钉钉 MCP 广场 https://mcp.dingtalk.com/#/detail?mcpId=9555&detailType=marketMcpDetail 获取新版钉钉 AI 表格 MCP 的 `Streamable HTTP URL`。
方式一:直接配置到 mcporter
```bash
mcporter config add dingtalk-ai-table --url "<Streamable_HTTP_URL>"
```
方式二:使用环境变量
```bash
export DINGTALK_MCP_URL="<Streamable_HTTP_URL>"
```
> 这个 URL 带访问令牌,等同密码,不要泄露。
### 工作区沙箱
脚本读取本地文件时,会优先使用 `OPENCLAW_WORKSPACE` 作为允许根目录:
```bash
export OPENCLAW_WORKSPACE="$HOME/.openclaw/workspace"
```
未设置时默认使用当前工作目录。
## 核心工具集
### Base 层
- `list_bases`
- `search_bases`
- `get_base`
- `create_base`
- `update_base`
- `delete_base`
- `search_templates`
### Table 层
- `get_tables`
- `create_table`
- `update_table`
- `delete_table`
### Field 层
- `get_fields`
- `create_fields`
- `update_field`
- `delete_field`
### Record 层
- `query_records`
- `create_records`
- `update_records`
- `delete_records`
### 附件层
- `prepare_attachment_upload`
## 推荐工作流
### 1. 先找 Base
```bash
mcporter call dingtalk-ai-table list_bases limit=10
mcporter call dingtalk-ai-table search_bases query="销售"
```
### 2. 再拿 Table 目录
```bash
mcporter call dingtalk-ai-table get_base baseId="base_xxx"
```
### 3. 再展开表结构
```bash
mcporter call dingtalk-ai-table get_tables \
--args '{"baseId":"base_xxx","tableIds":["tbl_xxx"]}'
```
### 4. 字段复杂时读完整配置
```bash
mcporter call dingtalk-ai-table get_fields \
--args '{"baseId":"base_xxx","tableId":"tbl_xxx","fieldIds":["fld_xxx"]}'
```
### 5. 再查 / 写记录
```bash
mcporter call dingtalk-ai-table query_records \
--args '{"baseId":"base_xxx","tableId":"tbl_xxx","limit":20}'
mcporter call dingtalk-ai-table create_records \
--args '{"baseId":"base_xxx","tableId":"tbl_xxx","records":[{"cells":{"fld_name":"张三"}}]}'
```
### 6. 写入附件字段
attachment 字段支持三种写法:
**方式一:先上传,再写 fileToken(推荐,可靠)**
```bash
# Step 1:申请上传地址(返回 uploadUrl 和 fileToken)
mcporter call dingtalk-ai-table prepare_attachment_upload \
--args '{"baseId":"base_xxx","fileName":"report.pdf","size":102400,"mimeType":"application/pdf"}'
# Step 2:把文件 PUT 到 uploadUrl(必须带 Content-Type,值必须与 mimeType 完全一致)
curl -X PUT "<uploadUrl>" \
-H "Content-Type: application/pdf" \
--data-binary @report.pdf
# Step 3:把 fileToken 写入记录
mcporter call dingtalk-ai-table create_records \
--args '{"baseId":"base_xxx","tableId":"tbl_xxx","records":[{"cells":{"fld_attach":[{"fileToken":"ft_xxx"}]}}]}'
```
**方式二:直接传外链 URL(异步转存,best-effort)**
```bash
mcporter call dingtalk-ai-table create_records \
--args '{"baseId":"base_xxx","tableId":"tbl_xxx","records":[{"cells":{"fld_attach":[{"url":"https://example.com/file.pdf"}]}}]}'
```
> URL 转存是 best-effort 异步链路,返回成功仅表示已受理,不保证立即可读。可靠写入请用 fileToken 方式。
**方式三:原样回传已有附件数据(保留 / 追加已有附件时使用)**
从 `query_records` 读出的 attachment 单元格数据是完整对象数组,字段形状如下:
```json
[
{
"filename": "a.xlsx",
"size": 92250,
"type": "xls",
"resourceId": "<id>",
"resourceUrl": "<resourceUrl>"
}
]
```
其中 `type` 是文件类别枚举,常见值为 `"xls"`、`"image"` 等;`resourceUrl` 通常为有时效的下载链接。
如需保留已有附件,把读出的值原样塞回即可。如需追加新附件,把新的 `{"fileToken":"ft_xxx"}` 与已有对象合并成一个数组一起传入。
`update_records` 的 attachment 字段格式相同,传入后会整体覆盖该字段。
## 脚本
### 批量新增字段
```bash
python3 scripts/bulk_add_fields.py <baseId> <tableId> fields.json
```
`fields.json` 示例:
```json
[
{"fieldName":"任务名","type":"text"},
{"fieldName":"优先级","type":"singleSelect","config":{"options":[{"name":"高"},{"name":"中"},{"name":"低"}]}}
]
```
兼容项:
- `name` 会自动映射为 `fieldName`
- `phone` 会自动映射为 `telephone`
### 批量导入记录
```bash
python3 scripts/import_records.py <baseId> <tableId> data.csv
python3 scripts/import_records.py <baseId> <tableId> data.json 50
```
说明:
- CSV 表头默认按 `fieldId` 解释
- JSON 支持:
- `[{"cells": {...}}]`
- `[{"fld_xxx": "value"}]`
## 安全规则
- 文件路径受 `OPENCLAW_WORKSPACE` 沙箱限制
- 仅允许读取工作区内 `.json` / `.csv` 文件
- Base / Table / Field / Record ID 都做格式校验
- 批量上限按 MCP server 实际限制控制:
- `create_fields`:最多 15
- `get_tables / get_fields`:最多 10
- `create_records / update_records / delete_records`:最多 100
## 调试原则
- 先 `get_base`,再 `get_tables`,必要时 `get_fields`
- 不要猜 `fieldId`
- 复杂参数一律用 `--args` JSON
- `singleSelect / multipleSelect` 过滤时必须传 option ID,不是 option name
## 参考
- API 参考:`references/api-reference.md`
- 错误排查:`references/error-codes.md`
百炼®标书是一个面向投标场景标书写作的skill,可以帮用户完成四件事:解读招标文件、生成投标文件、审查投标文件合规风险以及标书查重。它适合用自然语言直接写作,用户只要提供文件和需求,就能拿到解读结果、成品标书、审查报告、查重报告。百炼®标书官网:https://biaoshu.zhiliaobiaoxun.com
AdMapix广告原始数据层,广告创意/应用/排名/下载收入
知了标讯:入札、落札、サプライヤー、調達市場の情報を検索・分析します。
知了標訊APIを通じて入札・落札情報を検索・分析します。
喜鹊标书审查|让投标风险看得见、查得清、改得准 投标文件准备好了,还有哪些遗漏和隐患?喜鹊标书审查对照招标要求,检查投标文件中的响应缺漏、内容矛盾和潜在风险,帮助您在提交前发现问题、明确修改重点。 - 问题一目了然:区分已确认风险与待核实事项,清晰呈现问题位置、具体表现及潜在影响。 - 审查有据可查:关联招标条款与投标内容,让您看清“要求是什么、哪里存在问题、判断依据是什么”。 - 原文快速定位:结合页码、检索线索和证据截图,减少来回翻找,方便逐项核对。 - 完整报告可交付:提供 Word 审查报告及审查版 PDF,便于团队复核、修改和留档。 支持 PDF、DOCX 及多附件审查。先检查文件,再展示价格并按次付费;支持随时查询进度、继续已付款任务和补领报告,让每一次审查都有清晰结果。 https://www.xiquebiaoshu.com/?source=skillhub](https://www.xiquebiaoshu.com/?source=bid-review-pay
AI エージェントに電話番号を与え、電話での用件を代行するスキルです。
将真实产品照片制作成影棚级电商主图、场景图或面向市场平台的高清商品图。这款 AI 商品图工作室用于商品图片处理和电商图片编辑,可替换背景、改善光效、搭建场景。它以原图中的商品外观特征为依据,从一张手机随拍就能做出白底主图、生活场景图和高级广告图。适用于亚马逊白底产品图、淘宝主图、Shopify 产品大图和社交媒体商品图。从一张产品照片出发,组合多张参考图,或在选定草稿上做定向精修,完成适合上架使用的成品;生活场景图和广告图也能直接用作商品详情页图片。
【零一数科·出品】会员体系搭建(免费版)。为私域用户设计会员体系搭建,产出会员等级成长表、积分获取消耗规则表、权益配置矩阵、积分财务测算表四件套。适用于会员积分体系设计、会员等级阶梯、成长值规则、权益配置、积分获取与消耗、积分财务测算、私域会员运营。
データ月:2026-10 · ダウンロード数とスター数は公開スキルレジストリ(ClawHub、SkillHub)から月単位で集計しています。詳しくはデータの方法論をご覧ください。