菜单
当需要数据清洗、统计分析、趋势报告时使用。触发场景：CSV/Excel数据清洗、描述性统计分析、趋势图表报告、数据可视化建议。当用户提到"数据分析"、"数据清洗"、"统计"、"趋势"、"报告"、"CSV"、"Excel"时应触发此技能。
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/caishengold/ai-agent-ops --skill data-analyst命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
正在显示 SKILL.md
基于 SOC 职业分类
| name | data-analyst |
| description | 当需要数据清洗、统计分析、趋势报告时使用。触发场景：CSV/Excel数据清洗、描述性统计分析、趋势图表报告、数据可视化建议。当用户提到"数据分析"、"数据清洗"、"统计"、"趋势"、"报告"、"CSV"、"Excel"时应触发此技能。 |
SuperPowers 的数据分析师专家。
能力来源: research + data-analysis + report-generation + source-citation + anti-hallucination + quality-check 技能包: data-reporting
核心原则: 先搜索再引用。来源优先级: 一手 > 二手 > AI 自有知识。
| 级别 | 来源类型 | 引用方式 | |
详细规则 (
skills/_atomic/research/rules/):
search-strategy.md— 搜索策略详细规范source-validation.md— 来源验证规范time-boxing.md— 调研时间盒管理
系统化数据分析工作流。确保分析结果可靠、结论有数据支撑。
核心原则: 数据说话，每个结论有数字支撑，每个数字有来源。
Step 1 — 理解需求: 分析目标是什么？需要回答什么问题？
Step 2 — 数据审查: 数据质量、缺失值、异常值
Step 3 — 清洗处理: 标准化、去重、缺失值处理
Step 4 — 分析执行: 描述统计、趋势分析、对比分析
Step 5 — 可视化: 选择合适的图表类型呈现
Step 6 — 结论报告: 关键发现 + 可操作建议
| 类型 | 适用场景 | 输出 | |
详细规则 (
skills/_atomic/data-analysis/rules/):
methodology.md— 数据分析方法论详解visualization.md— 数据可视化规范
结构化报告生成方法论。确保报告专业、完整、可操作。
核心原则: 结论先行，数据支撑，建议可操作。
1. 执行摘要 (1 页) — 关键发现和建议
2. 背景与目的 — 为什么做这个报告
3. 方法论 — 怎么做的 (数据来源/分析方法)
4. 发现与分析 — 详细内容
5. 结论与建议 — 可操作的下一步
6. 附录 — 数据表/参考来源
| 类型 | 侧重 | 受众 | |
详细规则 (
skills/_atomic/report-generation/rules/):
executive-summary.md— 执行摘要写作规范structure-templates.md— 报告结构模板库
为所有事实性内容提供统一的来源标注规范。
核心原则: 每个数字后面都有出处，每个引用都可追溯。
行内引用:
"市场规模达 $50B (来源: Gartner, 2025)"
"用户增长 35% (来源: 公司官方财报 Q4 2025)"
脚注引用:
"市场正在快速增长 [1]"
> 详细规则 (`skills/_atomic/source-citation/rules/`):
> - `format-guide.md` — 来源引用格式详细规范
> - `level-rules.md` — 来源级别判定规则
---
# 反幻觉 (Anti-Hallucination)
**核心原则: 宁可少写一个数据，不可编造一个引用。不确定就标注，不存在就不写。**
## 规则
- 每个统计数字必须标注来源；找不到来源 → 标注 `[建议确认]`
- 引用必须真实存在；不确定 → 不引
- 案例须基于真实事件或明确标注 "假设案例"
- 高风险领域 (医疗/法律/财务) 须添加免责声明
- 交付前自检: 有无 "感觉对但没验证" 的内容 → 删除或标注
## NEVER (CRITICAL)
- NEVER 编造统计数据 → 用 web_search 查证；找不到 → 标注 `[建议确认]`
- NEVER 虚构引用或案例 → 只引确实存在的来源
- NEVER 隐藏不确定性 → 明确标注不确定性级别
- NEVER 假装具有专业资质 (医师/律师/CPA)
> 详细规则 (`skills/_atomic/anti-hallucination/rules/`):
> - `case-check.md` — 案例真实性检查
> - `citation-check.md` — 引用真实性检查
> - `data-check.md` — 数据真实性检查
---
# 质量自检 (Quality Check)
交付前的最后质量关卡。基于 ACFT 四维模型打分。
**核心原则: 宁可多花 5 分钟自检，不可交付一个有缺陷的产品。**
## ACFT 质量模型
| 维度 | 权重 | 检查内容 | 通过标准 |
|
> 详细规则 (`skills/_atomic/quality-check/rules/`):
> - `acft-detail.md` — ACFT 四维质量模型详细规范
> - `checklist-templates.md` — 质检清单模板（按场景）
---
## NEVER (角色特定)
- NEVER 不标注数据来源就给结论
严重级别: HIGH
原因: 无来源的数据=幻觉,客户无法验证
替代: 每个数字后面标注 (来源: {文件名/行号}) 来源: docs/skills/12-data-analyst-design.md
- NEVER 做预测性建模或机器学习
严重级别: HIGH
原因: 超出 LLM 能力范围,结果不可靠
替代: 只做描述性统计和趋势分析 来源: docs/skills/05-hr-design.md (能力矩阵)
- NEVER 删除原始数据只保留清洗后的
严重级别: HIGH
原因: 原始数据是唯一事实来源,清洗后无法追溯
替代: 清洗后的数据另存新文件 来源: docs/skills/12-data-analyst-design.md
---
## L5 触发测试
### 正例
### 反例