前言¶
周报、经营复盘、实验结论、漏斗或留存拆解——很多白领同事并不是缺工具，而是每次都要从零想「指标怎么定义、对比是否公平、图表是否答得上问题」。通用对话模型能写 SQL 或改表格，却未必按同一套分析纪律推进。下面介绍 SkillHub 上的 Data Analysis（坐标 @clawhub_ivangdavila/data-analysis，文中称「数据分析助手」），它用结构化方法论约束 Agent，让查询、报告与表格自动化更贴近「可复用的工作成果」，而不是一次性算数。
这是什么¶
数据分析助手是一套基于通用 SKILL.md 格式的 Agent Skill，定位为数据分析与可视化：查询数据库、生成报告、自动化电子表格，将原始数据转化为清晰、可执行的见解。
- 维护方：发布者 ivangdavila，来源 clawhub，当前版本 1.0.2
- 分发：SkillHub 分类 data-analysis；上游仓库见 clawhub.ai/ivangdavila/data-analysis
- 依赖：标签 requires_api_key=false；官方说明该 Skill 不发起外部网络请求，默认不向外部发送数据，也不依赖本地持久化目录或隐式记忆
与「随便让模型写一段 Python」相比，它强调先决策、再指标、再解释，并附带指标契约、图表选择、决策简报等参考文档，适合需要反复做同类分析、又希望输出格式稳定的场景。
核心功能¶
以下能力均来自 SkillHub / ClawHub 官方页面说明，未单独核实的细节不展开。
分析场景覆盖¶
在以下情况可启用该 Skill（官方 When to Use）：
- 从 SQL、电子表格、Notebook、仪表盘、导出表或临时表中分析、解释或可视化数据
- KPI 排查、实验读数、漏斗或队列（cohort）分析、异常回顾、面向管理层的报告、指标或查询逻辑的质量检查
- 难点在于分析判断（指标定义、对比设计、解读与建议），而非单纯写代码或改公式
用户侧常见意图包括：找规律、理解指标、检验假设、队列分析、A/B 测试、流失分析、统计显著性等。
方法论与参考文档¶
Skill 内置轻量参考文件，按需加载以控制上下文：
| 主题 | 文件 |
|---|---|
| KPI 定义与注意点 | metric-contracts.md |
| 图表选择与反模式 | chart-selection.md |
| 面向干系人的输出格式 | decision-briefs.md |
| 常见分析陷阱 | pitfalls.md |
| 按问题类型选方法 | techniques.md |
核心原则（官方 Core Principle）：没有决策指向的分析只是算术——需先澄清「若结果是 X 与 Y，会改变什么决策」。
典型工作流要点包括：
- 从决策出发，而非从数据集出发；无决策则先重框问题
- 计算前锁定指标契约（实体、粒度、分子分母、时间窗、时区、过滤与口径）
- 区分抽取、转换与解读，业务假设需在结论中显式说明
- 按问题类型选图（趋势、对比、分布、关系、构成、漏斗、留存等）
- 结果以决策简报呈现：答案、证据、置信度、局限与下一步
- 在建议行动前做稳健性检查；数据不足以支撑结论时应降级或标明未知
官方还给出按问题类型的方法对照（如假设检验、回归、队列分析、分群对比、异常检测）及输出标准（先洞察、量化不确定性、说明局限、建议后续步骤）。
能力与边界¶
- 不需要本地文件夹、持久记忆或额外安装状态（官方 Architecture）
- 不会访问未声明的外部端点、在隐藏文件中存凭证或原始导出、未经确认创建自动化任务
- 适合与 SQL、Python、电子表格、BI 工具、Notebook 等协作，但 Skill 本身是分析纪律与产出规范，不替代你对数据源权限与合规的管控
安装与启用¶
方式一：通过 SkillHub（推荐国内环境）¶
SkillHub 页面给出的安装提示为：让当前 AI 根据安装文档拉取该 Skill。
请根据 https://skillhub.cn/install/skillhub.md，安装 `@clawhub_ivangdavila/data-analysis`。
若本机已安装 skillhub CLI，可将 Skill 安装到当前 Agent 的 skills 目录（须使用 --dir，否则默认 ./skills/ 可能不被识别）：
command -v skillhub && skillhub --version
skillhub install @clawhub_ivangdavila/data-analysis --dir <skills 目录>
常用路径（摘自 SkillHub 安装文档）：
- Cursor：
~/.cursor/skills/ - Claude Code：
~/.claude/skills/ - Codex：
~/.codex/skills/或项目下的.agents/skills/
CLI 未安装时，可按 skillhub.cn/install/skillhub.md 使用官方 install.sh 安装；沙箱或限网环境需允许联网后再执行。
方式二：ClawHub / OpenClaw 生态¶
上游 ClawHub 页面提供的安装命令为：
openclaw skills install @ivangdavila/data-analysis
坐标在 SkillHub 侧为 @clawhub_ivangdavila/data-analysis，在 ClawHub 侧为 @ivangdavila/data-analysis，安装时以你所用商店与 CLI 文档为准。
安装后需在对应客户端中启用或刷新 Skills（各客户端规则不同，以当前环境说明为准）。
典型用法¶
官方未提供单独的业务案例脚本，但给出了可复现的协作方式：在对话中明确分析任务，并引用本 Skill；Agent 应按 Skill 中的步骤与参考文件推进。下面是与官方说明一致的请求示例（你可替换为自己的表名与决策问题）。
1. 经营指标异常
已启用 @clawhub_ivangdavila/data-analysis。上周 DAU 环比下降 8%，请先明确支持的决策是什么，再定义 DAU 指标契约，用 SQL 或表格说明可能原因，输出决策简报（含置信度与局限）。
2. 实验或 A/B 读数
使用数据分析助手：对照实验组与对照组，检查样本量与多重比较风险，给出效应量与区间，并说明是否足以改变上线决策。
3. 漏斗或队列
按官方 techniques 思路：对注册 cohort 做留存曲线，对比时间段是否可比，图表选择参考 chart-selection，最后给出是否建议改产品的结论。
4. 自动化表格与报告
将这份导出表整理为可复用的周报结构：指标定义写入 metric-contracts 口径，附 pitfalls 中需规避的展示问题。
经过上面的步骤，产出应接近官方 Output Standards：先洞察、量化不确定性、说明局限、给出加强结论的下一步。
适用场景与注意¶
适合谁
- 经常做 SQL / 表格 / Notebook 分析，希望 Agent 统一指标口径与汇报结构的白领与业务分析角色
- 需要漏斗、队列、实验、KPI 调试等重复性分析任务，又希望结果可沉淀为模板的同学
- 已在 Cursor、Claude Code、Codex 等支持 Skills 的客户端中工作，并愿意在安装时指定正确
--dir的用户
使用注意
- 官方列出的红旗包括：样本过小、数据质量不可用、混杂无法控制、或用户要求「证明」预设结论——此时应拒绝过度推断
- Skill 不代替你对生产库权限、脱敏与导出合规的审查；敏感数据仍应在本地或授权环境内处理
- 社区数据（截至资料抓取）：SkillHub 评分 100000，下载约 131301，安装约 9814；统计会随时间变化，以商店页面为准
结尾¶
数据分析助手把「查数、做表、写报告」收敛到决策优先、指标契约、可审计的结论格式，适合作为办公场景里数据分析类重复任务的 Skill 底座。安装与详情见 SkillHub：https://www.skillhub.cn/skills/clawhub_ivangdavila/data-analysis，API 入口：https://api.skillhub.cn/org-02qudk26/data-analysis。
