findscripter 何时使用
回答任意「数据问题」的统一入口，先判复杂度再选深度：
- 速查：单指标、简单筛选、事实查找。例「上周新增用户多少？」
- 全量分析：多维探索、趋势归因、跨细分对比。例「转化率下跌是什么在驱动？按渠道、设备拆。」
- 正式报告：含方法论、口径、注意事项与建议的完整调研。例「准备订阅指标的季度业务复盘。」
不该用的边界：
- 只需把自然语言转成 SQL / 排错慢查询 → 用 sql-query-builder。
- 拿到陌生表、动手前要先摸清形状与质量 → 用 dataset-profiler（探查画像）。
- 只是要把现成结果做成图/仪表盘 → 用 matplotlib-visualization 或 html-dashboard-builder。
- 已有分析成稿、只想交付前质检挑错 → 用 analysis-qa-validator。
- 训练模型 / 统计建模与显著性检验为主 → 用 statsmodels-statistical-modeling、scikit-learn-ml。
步骤 / 指令
1. 读懂问题
- 定复杂度：速查 | 全量分析 | 正式报告（决定后续投入与产出形态）
- 定数据需求：哪些表/指标/维度/时间范围
- 定输出形态：数字 | 表格 | 图 | 叙述 | 组合
2. 取数
- 接了数仓 MCP：探 schema 找表列 → 写 SQL → 执行取数 →
失败就调试重试（核对列名、表引用、方言语法）→ 结果异常先做合理性检查
- 没接数仓：请用户①直接粘结果 ②传 CSV/Excel ③描述 schema 由你写查询给他跑；
需手动执行的查询交给 sql-query-builder 出方言最佳实践
3. 分析
- 算指标、聚合、对比；找模式、趋势、离群、异常
- 跨维度对比（时间段 / 细分 / 类别）
- 复杂问题拆成子问题，逐个回答
4. 交付前校验（每条过一遍，存疑就深挖并标注注意事项）
- 行数合理性：记录条数说得通吗？
- 空值检查：有无意外 NULL 会扭曲结果？
- 量级检查：数字落在合理区间吗？
- 趋势连续性：时间序列有无异常断档？
- 聚合逻辑：小计能正确汇总成总计吗？
5. 分层呈现（按复杂度选模板，见下）
6. 按需可视化：图比表更能说明问题时，选对图型再画/搭仪表盘
呈现模板：
速查 → 直接给答案 + 必要上下文；附所用查询（代码块/折叠）便于复现
全量分析 → 先抛核心结论 → 数据表/图佐证 → 注明方法论与注意事项 → 给后续追问建议
正式报告 → 执行摘要(关键结论) / 方法论(思路+数据源) / 详细发现(证据) /
注意事项·局限·数据质量 / 建议与下一步
示例
速查：
上周（按自然周）有多少新用户注册？给出数字，并附所用 SQL。
全量分析：
近 3 个月工单量为什么上升？按 类别 与 优先级 两个维度拆开，
先给核心结论，再用表/图佐证，最后列 2-3 个值得追问的方向。
正式报告：
对客户表做一次数据质量评估：完整性、一致性，以及应处理的问题。
按 执行摘要 / 方法论 / 详细发现 / 注意事项 / 建议 五段输出。
给 Agent 的取数追问模板（无数仓时）：
我没接数仓。请用以下任一方式给我数据：① 直接粘查询结果；
② 传 CSV/Excel；③ 描述表结构(列名+类型)，我写 SQL 你来跑。
注意事项
- 尽量把时间范围、细分、指标说清楚；知道表名就报出来，能显著加速取数。
- 结果先验证再呈现：任何一项校验存疑都要回头查清，并在交付物里明写口径与注意事项，别带病结论上会。
- 常见口径坑：同比/环比基准对齐、不完整周期对比、JOIN 膨胀致计数翻倍、
均值的均值、幸存者偏差、NOT IN含 NULL 返回空集。 - 复杂问题拆成多条查询/子问题逐个攻克，别用一条巨型 SQL 兜全部。
- 写操作（INSERT/UPDATE/DELETE/DDL）只在用户显式确认、并给出影响行数估计后才执行；本技能默认只产出 SELECT 与分析结论。
互见
- requires：无。
- related：
sql-query-builder—— 取数环节的 SQL 编写与排错；dataset-profiler—— 动手分析前先做探查画像。 - combines_with：
analysis-qa-validator—— 交付前对方法论/计算/结论做质检评级；html-dashboard-builder、matplotlib-visualization—— 把结论做成仪表盘或出版级图表。
采编自 anthropics/knowledge-work-plugins（Apache-2.0）。