🤖 数据分析学习 Agent 系统
4 个 AI Agent，覆盖"发现问题 → 理解理论 → 映射现实 → 检查结论"的完整学习闭环。 不是让 AI 替你思考，而是让 AI 帮你更好地思考。
系统架构
用户描述问题
↓
[Debug Agent] → 这是什么类型的问题？
↓
[Theory Agent] → 底层原理是什么？
↓
[Reality Agent] → 在真实场景中怎么用？
↓
[Review Agent] → 我的结论可靠吗？
↓
输出 + 迭代
执行流程：
- 描述问题：用你自己的话把遇到的问题写下来（不要抄报错信息，用自己的话解释）
- Debug 分类：让 Debug Agent 帮你定位问题类型
- Theory 抽象：让 Theory Agent 帮你从具体问题中提取通用模型
- Reality 映射：让 Reality Agent 帮你把理论映射到真实业务场景
- Review 检查：让 Review Agent 帮你检查分析结论的可靠性
Agent 1：Debug Agent — 问题诊断
职责：定位数据分析中的问题类型，不直接给答案，而是帮你找到正确的排查方向。
问题分类体系
| 类型 | 典型表现 | 排查方向 | |------|---------|---------| | 数据质量 | 缺失值过多 / 分布异常 / 标签噪声 | 数据采集流程、清洗策略、采样方法 | | 方法选择 | 不知道用什么模型 / 模型表现差 | 问题类型（分类/回归/聚类）、数据规模、业务约束 | | 模型调优 | 过拟合 / 欠拟合 / 收敛慢 | 超参数空间、正则化、特征工程 | | 结果解读 | 不知道指标含义 / 统计显著但业务不显著 | 指标定义、基线对比、业务语境 | | 工程问题 | 代码报错 / 性能瓶颈 / 部署失败 | 环境配置、依赖版本、资源限制 |
Prompt 模板
## Debug Agent
我在做数据分析时遇到了一个问题，请帮我诊断。
### 我的描述
[用你自己的话描述问题，包括：你在做什么、期望结果是什么、实际发生了什么]
### 我的尝试
[我已经试过什么方法，结果如何]
---
请按以下格式回复：
**1. 问题分类**：这个问题属于哪种类型？
- [ ] 数据质量问题
- [ ] 方法选择问题
- [ ] 模型调优问题
- [ ] 结果解读问题
- [ ] 工程问题
**2. 根因假设**：列出 2-3 种可能的根本原因，从最可能到最不可能排序
**3. 排查路径**：针对每种假设，给出具体的排查步骤（不是模糊的"检查数据"，而是"检查 X 列的缺失率是否超过 30%"）
**4. 验证方法**：我怎么知道问题解决了？（具体的验证标准）
约束：
- 不要直接给我答案或解决方案
- 不要给我代码（除非我明确要求）
- 如果问题描述不够清晰，告诉我缺什么信息
Agent 2：Theory Agent — 理论抽象
职责：从具体的分析问题中提取通用模型和框架，帮你建立"举一反三"的能力。
Prompt 模板
## Theory Agent
我刚完成了 [具体分析任务]，请帮我从中提取通用知识。
### 我做了什么
[描述你的分析过程：用了什么数据、什么方法、得到了什么结果]
### 我不太理解的地方
[具体的问题，比如"为什么这里要用对数变换" / "交叉验证的 k 怎么选"]
---
请按以下格式回复：
**1. 核心原理**：这个方法/技术背后的核心思想是什么？（用大白话，不用公式）
**2. 关键假设**：这个方法成立的前提条件是什么？哪些条件如果被违反，结论就不靠谱？
**3. 变量关系**：这个方法中，哪些变量是输入，哪些是输出，它们之间是什么关系？
**4. 边界条件**：这个方法在什么情况下会失效？什么情况下不适用？
**5. 迁移思考**：这个方法还能用在什么其他场景？（给 2-3 个具体例子）
约束：
- 不要复述教科书定义
- 不要直接给答案，引导我自己推导
- 如果我不理解的地方是前置知识不足，告诉我需要先补什么
Agent 3：Reality Agent — 工程映射
职责：把理论和分析方法映射到真实业务场景，帮你建立"学的东西有什么用"的认知。
Prompt 模板
## Reality Agent
我想理解 [某个分析方法/模型/技术] 在真实工作场景中的应用。
### 我的技术理解
[简述你对这个技术的理解，比如"线性回归是用一个或多个变量预测另一个变量"]
### 我想知道的
[具体问题，比如"数据分析师在什么情况下会用到线性回归" / "产品经理会怎么评估一个预测模型"]
---
请按以下格式回复：
**1. 业务场景**：描述 2-3 个真实场景，说明这个技术在其中解决什么业务问题
**2. 决策者视角**：
- 数据分析师怎么看？（关注什么指标）
- 技术负责人怎么看？（关注什么风险）
- 业务方怎么看？（关注什么价值）
**3. 常见陷阱**：在这个场景下，最常犯的 2-3 个错误是什么？为什么容易犯？
**4. 价值衡量**：怎么衡量"这个分析做得好不好"？（不是 R²/F1 这种技术指标，而是业务影响）
**5. 反向思考**：什么情况下不应该用这个技术？（过度使用比不用更危险）
约束：
- 给具体的公司和行业例子（如果可以）
- 不要给我"最佳实践"清单，给我思考框架
- 如果我的技术理解有偏差，先纠正再映射
Agent 4：Review Agent — 结论审查
职责：检查分析结论的可靠性，防止统计陷阱、因果谬误和过度解读。
审查清单
| 审查维度 | 核心问题 | 常见陷阱 | |---------|---------|---------| | 统计有效性 | 结果是统计显著的还是随机波动？ | p-hacking、样本量太小、多重比较 | | 因果推断 | 相关性是否被误读为因果性？ | 混淆变量、选择偏差、反向因果 | | 数据代表性 | 数据能代表总体吗？ | 幸存者偏差、采样偏差、数据泄露 | | 结论泛化 | 结论能推广到其他场景吗？ | 过拟合、时间不稳定性、分布漂移 | | 业务合理性 | 结论在业务上说得通吗？ | 过度解读、忽略业务约束、指标游戏 |
Prompt 模板
## Review Agent
请帮我审查以下分析结论的可靠性。
### 我的分析过程
[简述：数据来源、分析方法、关键发现]
### 我的结论
[你的核心结论，越具体越好]
### 我的证据
[支撑结论的关键数据和指标]
---
请按以下维度逐一审查：
**1. 统计有效性** ⚠️
- 这个结果可能是随机波动吗？我怎么排除？
- 样本量是否足够？置信区间有多大？
- 有没有做过多次比较（多重比较问题）？
**2. 因果性检查** ⚠️
- 相关 ≠ 因果：我的结论中有没有把相关当因果？
- 有没有可能的混淆变量？
- 数据的时间顺序支持因果方向吗？
**3. 数据代表性** ⚠️
- 我的数据能代表我想要推断的总体吗？
- 有没有幸存者偏差或选择偏差？
- 有没有数据泄露（用未来信息做预测）？
**4. 结论泛化** ⚠️
- 这个结论在什么条件下成立？什么条件下不成立？
- 如果数据分布发生变化，结论还成立吗？
**5. 业务合理性** ⚠️
- 这个结论在业务上说得通吗？有没有违反常识？
- 结论的幅度是否合理？（比如"提升了 500%"就要警惕）
**6. 最终评级**：
- 🟢 可靠：结论有充分支撑
- 🟡 需要补充：有潜在问题，需要额外验证
- 🔴 不可靠：存在严重问题，结论需要修正
约束：
- 不要说"总体不错"然后一笔带过，每个维度都要认真审查
- 如果发现严重问题，明确指出，不要怕得罪人
- 不要替我修正结论，告诉我问题在哪，我自己修正
使用指南
什么时候用哪个 Agent？
| 场景 | 优先 Agent | 原因 | |------|-----------|------| | 代码报错 / 模型表现差 | Debug | 先定位问题类型 | | "这个方法为什么要这样做？" | Theory | 先理解原理 | | "学这个有什么用？" | Reality | 先建立业务认知 | | "我的结论靠谱吗？" | Review | 最后做结论审查 |
完整学习循环
一个典型的学习过程：
- 遇到问题 → 用 Debug Agent 诊断问题类型
- 理解原理 → 用 Theory Agent 提取通用模型
- 建立认知 → 用 Reality Agent 映射到业务场景
- 验证结论 → 用 Review Agent 检查分析可靠性
- 迭代优化 → 回到 Step 1，解决 Review 发现的问题
组合使用
复杂问题可以组合多个 Agent：
- Debug + Theory：问题定位 + 原理理解（"为什么会过拟合？"）
- Theory + Reality：原理 + 应用（"这个方法在实际中怎么用？"）
- Reality + Review：场景 + 审查（"这个业务结论可信吗？"）
⚠️ 使用原则
- AI 是教练不是代做工具：所有 Agent 都设计为"引导思考"而非"直接给答案"
- 先自己想再问 AI：如果你连问题都描述不清楚，说明你还没开始真正思考
- 交叉验证：同一个问题可以问不同 Agent，看它们的视角是否一致
- 记录迭代：每次 AI 交互后，记录"我学到了什么"和"我之前哪里想错了"
- 保持怀疑：AI 也会犯错，特别是 Review Agent 的评级——最终判断权在你