shield_lock
JinDaGe
← Back to skills
extension
Category: Data & AnalyticsNo API key required

智析

「智析」通用 AI 数据分析引擎 — 任何人导入任意行业数据，AI 自动理清内容关系、建立关系可视化图、深度分析并给出严谨结论（含优劣势评估 + 劣势解决方案）。触发条件：用户说帮我分析这份数据/这个文件/这个表格并提供文件路径即可触发；也可显式要求用 data-lens 技能处理这份数据来手动调用。不触发：纯数据清洗/ETL、仅需简单图表、已有明确分析框架只需执行。

personAuthor: user_df439908hubcommunity
downloadDownload package

智析 DataLens — 通用 AI 数据分析引擎

「导入任意行业数据 → AI 自动理清关系 → 构建可视化图谱 → 深度分析 → 优劣势+解决方案」

一个不限行业、数据驱动的通用 AI 数据分析 Skill，专为 WorkBuddy × Tencent EdgeOne AI Prompts × Skills 挑战赛设计。

版本：v1.3.0（2026-07-20）

v1.2.0 升级说明（回应 SkillHub 复查）

  • Reliability 韧性：模型/网络调用新增 30s 超时 + 指数退避重试（≤3 次，仅瞬态错误），全部失败自动降级到内置分析 → 再失败则只给 analyze_csv.py 确定性报告，绝不卡死；截图识别新增真实可跑的 scripts/ocr_image.py（云端 OCR 带重试超时），并明确默认"AI 直接读图"零配置路径，解决"高级功能实际效果未知"。
  • Convention 最佳实践：新增 references/best-practices.md 总结性指南（何时用/不用、最简路径、模式选择、可靠性习惯、常见坑）。
  • Effectiveness 上手门槛：顶部改为"最简 3 步零配置"路径，前置依赖说明限定为"仅部署阶段需要"，OCR 不再强制额外设置。

v1.3.0 升级说明（回应第三轮复查）

  • Reliability 友好提示：SKILL.md 新增「💬 友好交互提示规范」（四原则：开场给安全感 / 进度可见 / 出错给路径 / 专业词补人话），7 阶段全部补上温暖开场与确认语；analyze_csv.py / ocr_image.py 的报错从"甩原始错误"改为"告诉用户怎么改"（换绝对路径、另存 CSV、指定 --sep、路径0 回退等）。
  • Convention 降阅读负担：SKILL.md 顶部新增「⚡ 一屏速查卡」+「📚 阅读顺序」，新增 references/quick-reference.md 一页速查，整合并去重"用户只需做两件事"，让用户不必通读长文档也能用好。

v1.4.0 升级说明（回应第四轮复查）

  • Convention 去技术化：用户可见文档去掉 LLM / 上下文窗口 等术语，统一改说"AI"；技术架构表上方标注"普通用户可跳过"；速查卡新增「技术词，用人话怎么说」一节（关系图谱 / 相关 / 异常检测 / 上下文 / 确定性计算 等 9 个词的大白话）；SKILL.md 友好交互规范扩展到最终分析报告也用大白话（相关性→两者是否一起变、中心性→谁是核心枢纽、异常检测→找出明显不对劲的数据、LLM/大模型→AI）。
  • Convention 深度文档标注按需查阅：5 个 references 深度文档（分析引擎 / 关系图谱 / 数据导入 / 部署 / 可视化）顶部加「本文偏技术，普通用户看速查卡 + best-practices 即可」提示，让不懂技术的用户明确知道可跳过。

⚡ 一屏速查卡（先看这里）

能做什么：你把任意数据（Excel / CSV / JSON / 截图 / 粘贴文本）交给 AI，它自动理清关系、画关系图、做深度分析，并给出「优势 + 短板 + 解决方案」。你不必懂数据分析。

你只需做 3 件事：

  1. 说「帮我分析这份数据」+ 给文件 / 截图（或粘贴文本）
  2. 跟着 AI 的选择题确认：① 每列什么意思 ② 关系图对不对
  3. 拿到结论后让 AI「导出本地 HTML 报告」，双击即可看

选模式一句话：找影响链→模式1｜找核心枢纽→模式2｜分类分组→模式3｜优劣势→模式4｜推演趋势→模式5｜查风险→模式6

零配置：分析全流程纯对话内完成，不用 EdgeOne 账号、不用 OCR 密钥、不用外部模型 API。只有「部署上线」才需要官方 Skills。

完整一页速查见 references/quick-reference.md；最简路径与可靠性习惯见 references/best-practices.md；术语看不懂？见 quick-reference 的「技术词，用人话怎么说」。

🎯 解决什么问题？

不同行业有各自的行业数据格式和术语，传统数据分析工具需要人工配置数据模型、编写SQL、手工绘图。

DataLens 改变了这个范式：

  • 📂 零配置导入 — 支持 Excel/CSV/JSON/SQL Dump 等格式，自动推断数据类型
  • 🤖 AI 语义理解 — 遇到行业术语/缩写/编码自动暂停询问用户，建立准确的语义模型
  • 🔌 外部大模型接入 — 支持用户自行接入 OpenAI/Azure/DeepSeek/通义千问/文心一言/行业垂直模型等，实现行业专业化深度分析
  • 🕸️ 关系图谱自动发现 — 跨表主外键、层级关系、时序依赖、语义关联全自动检测
  • 📊 六大分析模式 — 关系链追踪 / 关键节点 / 聚类分层 / 优劣势诊断 / 趋势推演 / 风险评估
  • ✅ 严谨结论 — 每一条结论都有数据证据链支撑，优劣势量化对比，劣势附带可执行解决方案
  • 🌐 一键部署 — 依托 EdgeOne Pages 全栈能力，构建完成即上线

🚀 最简上手（3 步，零配置）

不需要 EdgeOne 账号，也不需要任何外部模型 API，就能跑完整分析。

1. 把数据交给 AI：说"帮我分析这份数据" + 文件路径（或截图 / 粘贴文本）。
2. 跟着 AI 的选择题走：确认列含义 → 确认关系图 → 选分析模式（如"优劣势诊断"）。
3. 拿到结论后：让 AI 把结果"导出为本地 HTML 报告"，双击即可查看。
  • 截图识别默认由 AI 直接读图转写（零配置），无需 OCR 密钥。
  • 深度解读用内置通用能力即可；只有需要行业垂直模型时才接外部 API。
  • 更完整的用法、模式选择、可靠性习惯，见 references/best-practices.md。

🏗️ Skill 结构

data-lens/                         # 本 Skill 根目录
├── README.md                     # 使用文档
├── SKILL.md                      # Skill 入口（YAML frontmatter + 决策树 + 交互流程）
├── LICENSE.txt                   # MIT 授权文本
├── requirements.txt              # 确定性计算脚本 scripts/analyze_csv.py 的 Python 依赖
├── references/                   # 按需加载的详细参考文档
│   ├── data-intake.md            # 数据导入（18种输入形式：文件/截图/网页/PDF等 + OCR 回退）
│   ├── relationship-mapping.md   # 关系图谱构建（实体识别 + 关系检测 + 单表关系增强）
│   ├── analysis-engine.md        # 6大分析模式 + 扩展能力 + 确定性计算层 + 外部 AI 模型接入 + 失败重试
│   ├── visualization.md          # 可视化规范（vis-network + ECharts 暗色主题）
│   ├── deployment.md             # EdgeOne Pages 部署 + 本地 HTML 交付
│   ├── best-practices.md         # 最佳实践指南（何时用/不用、最简路径、模式选择、可靠性习惯）
│   └── quick-reference.md         # 一页速查（能做什么/3件事/7阶段/模式选择/常见坑）
├── scripts/
│   └── analyze_csv.py            # 确定性计算层：真实聚合/相关/中心性/异常检测
├── templates/                    # 可运行的 Vite+React+Tailwind 脚手架（npm install && npm run dev）
│   ├── package.json              # React + Vite + 依赖
│   ├── index.html / vite.config.ts / tsconfig.json / tailwind.config.ts / postcss.config.js
│   ├── src/main.tsx / src/App.tsx / src/index.css   # 最小可运行应用
│   └── edgeone.json              # EdgeOne Pages 部署配置
└── examples/
    └── sample_analysis_report.md # 示例分析报告（demo）

遵循 Anthropic skill-creator 规范：入口 SKILL.md 保持轻量，详细参考文档放在 references/ 中按需加载。

🚀 安装

方式一：自然语言安装（推荐）

在支持 Skills 的 AI 编程工具中直接说：

"帮我安装 data-lens Skill 用于数据分析"

方式二：手动安装

将 skills/data-lens/ 目录复制到工具的 skills 目录：

  • Claude Code：~/.claude/skills/
  • CodeBuddy：~/.codebuddy/skills/
  • Cursor：.cursor/rules/

🎮 触发方式

自然语言即可触发

"帮我分析这份数据的内部关系"
"导入这个Excel，理清里面各种实体之间的关系，然后做个优劣势分析"
"我有一个行业的CSV数据，帮我做深度数据诊断"
"这些表格数据之间有什么关系？画个关系图再分析"
"用AI帮我做数据洞察，找出优势和短板，给出改进方案"

完整流程示例

用户: "这是我的药品流通数据，帮我分析"
  ↓
AI: 解析Excel → 检测到3个Sheet、5个不明确词汇
  ↓
用户: 确认词汇含义
  ↓
AI: 构建"药品→经销商→医院→患者"关系图谱（交互式可视化）
  ↓
用户: "分析一下渠道效率，哪些经销商是核心节点？有什么短板？"
  ↓
AI: 执行模式2(关键节点) + 模式4(优劣势诊断)
     输出：TOP5经销商、覆盖率不足地区、库存积压风险、优化方案
  ↓
用户: "部署上线"
  ↓
AI: 委托 edgeone-pages-deploy → 构建 → 部署 → 返回URL

🔗 与其他 EdgeOne Pages Skill 的关系

| Skill | 角色 | 何时用 | |-------|------|--------| | data-lens（本Skill） | 数据分析全流程 | 导入、分析、可视化 | | edgeone-pages-dev | KV Storage + Edge Functions 开发 | 需要配置缓存或新增API | | edgeone-pages-deploy | 部署上线 | 分析完成后的部署阶段 |

推荐组合：data-lens + edgeone-pages-deploy（覆盖分析+部署全流程）

🛠️ 技术架构（这节是给想二次开发的开发者看的，只想分析数据的普通用户可以跳过）

💡 下面这张表是技术栈细节，普通用户不必看。想看懂 AI 在说什么，直接看上方「⚡ 一屏速查卡」和 references/quick-reference.md 的「技术词，用人话怎么说」即可。

| 层级 | 技术 | EdgeOne Pages 能力 | |------|------|-------------------| | 前端渲染 | React 18 + Vite + TypeScript + Tailwind + shadcn/ui | 静态 + SPA | | 关系可视化 | vis-network (Canvas交互图) | — | | 统计图表 | ECharts 5 | — | | 文件解析 | xlsx + papaparse + jschardet | — | | API后端 | Node.js Cloud Functions | /api/analyze /api/parse /api/llm-config | | 轻量API | Edge Functions (V8) | /api/health KV缓存 | | 外部 AI 模型 | 用户自行提供的API Key | OpenAI / Azure / DeepSeek / 通义千问 / 文心一言 / 行业垂直模型 | | 持久存储 | KV Storage | 会话缓存 + 图数据 + AI 模型配置加密存储 | | 安全守卫 | Middleware | 限流 + CORS + 文件大小 | | 部署 | EdgeOne CLI | 一键构建+上传 |

📊 支持的6大分析模式

| # | 模式 | 示例问题 | |---|------|---------| | 1 | 关系链追踪 | "A如何通过哪些路径影响B？" | | 2 | 关键节点识别 | "哪些实体是核心枢纽？最重要的因素是什么？" | | 3 | 聚类与分层 | "数据可以分成哪几类？有没有自然形成的群体？" | | 4 | 优劣势诊断 | "数据反映了什么优势和短板？给出优化方案" | | 5 | 趋势推演 | "如果X增长20%，Y会怎么变化？" | | 6 | 合规/风险评估 | "有哪些潜在风险点？是否符合标准？" |

⚙️ 前置依赖

仅"部署上线"阶段需要以下依赖；纯对话内分析无需任何前置。

  • Node.js ≥ 18
  • EdgeOne Pages 账号（中国站 | 全球站）
  • AI API Key（OpenAI / 兼容接口，仅当你要接入外部行业模型时；内置通用分析不需要）
  • EdgeOne CLI（部署阶段自动安装）

🔧 如何调用本技能

本技能既可被 AI 自动触发，也可显式调用：

  • 自动触发：对 AI 说"帮我分析这份数据 / 这个文件 / 这个表格"并提供文件路径（本地路径、拖拽、截图、URL 均可），AI 会按 SKILL.md 的 7 阶段流程自动主导。
  • 显式调用：直接说"用 data-lens 技能处理这份数据"，可强制走本技能流程（适合自动触发不灵的场景）。
  • 跳过部署：即使不部署到 EdgeOne，也可在对话内完成分析，并把结论导出为本地 HTML 报告查看。

❓ 常见问题 FAQ

Q：没有 EdgeOne 账号能用吗？ A：能。你可以只在对话内完成"导入 → 关系 → 分析 → 优劣势"，最后把结论导出为本地 HTML 报告双击查看，全程无需部署。

Q：我的数据只有一张扁平表（不是多 Sheet），关系图会不会空的？ A：不会。技能已加入单表关系增强：自动补"维度-指标、同值聚类、时序事件链、列间相关边"，单表也能画出有意义的关系图。

Q：数据很大 / 列很多会怎样？ A：先用 scripts/analyze_csv.py 帮你做真实计算——算总数/平均值（聚合）、看两列是不是"一起涨一起跌"（相关）、找出明显不对劲的离群值（异常检测）；超大规模（百万行级）建议先抽样或聚合，再交给 AI 解读，避免数据太多超出它一次能"读进去"的处理上限。

Q：图表和结论准吗？ A：总数/平均值、两列相关性、异常值这些数字由程序真实算出来，每一条结论都能追溯到具体数字；但 AI 对业务含义的自由解读可能出错，重要决策请人工复核。

Q：OCR 识别不准怎么办？ A：提供 Tesseract.js 本地识别与云端 OCR 回退两条路径；识别不确定的单元格会高亮并请你确认。

Q：必须联网吗？ A：对话内分析可纯本地（使用内置通用能力）；接入外部大模型 API 或部署到 EdgeOne 才需要联网。

⚠️ 局限与不适用场景

  • 数据规模：百万行级以上的原始数据需先聚合 / 抽样，否则会超出 AI 一次能处理的数据量上限。
  • 非结构化文本：纯自由文本、无表格语义的长文章不在范围内（本技能聚焦"结构化 / 半结构化数据的关系与指标"）。
  • OCR 精度：扫描模糊、手写潦草的表格识别率下降，需人工校对。
  • 部署绑定：一键部署依赖 EdgeOne Pages 账号；不部署则仅支持本地 HTML 交付。
  • 隐私：部署到云端时数据会经云端函数临时处理；敏感数据建议仅本地分析、不外传。
  • AI 免责：分析结论由模型生成，仅供参考，不替代专业判断（医疗 / 金融 / 法律等请由持证人员复核）。

📜 许可

MIT License

👤 作者

为 WorkBuddy × Tencent EdgeOne AI Prompts × Skills 挑战赛设计制作。