findscripter 何时使用
- 把分析结果讲给高管、投资人、客户或非技术听众，需要"结论先行、有故事线、能驱动决策"时。
- 写数据驱动的报告、季度业务复盘（QBR）、月度经营回顾、投资人材料。
- 已有一堆图表/数字，但读者抓不住重点，需要重新编排成有洞察的叙事。
- 触发词：数据叙事、data storytelling、数据可视化、汇报/演示、季度复盘、QBR、executive presentation、把数据讲成故事。
不该用的边界：
- 不做数据清洗、口径对齐、缺失值处理——交给
csv-data-cleaner/sql-query-builder。 - 不做统计建模、显著性检验、探索性分析本身——本技能只负责"已有结论后怎么讲"。
- 不替代事实核查；所有数字、"研究表明"类断言须经
fact-checking，本技能不担保数据真实性。 - 不是纯品牌文案或视觉设计工具——版式/配色细节见
canvas-design。
步骤 / 指令
输入：audience（听众与其目标）、key_insight（一句话核心洞察）、data[]（支撑数据）、decision（你想要的决策/行动）。
1. 先定"so what"——一句话洞察
- 用公式写标题：[具体数字] + [业务影响] + [可行动语境]。
反例「Q4 销售分析」→ 正例「Q4 销售超目标 23%——原因在此」。
- 这句话决定整篇骨架；写不出来就别开工。
2. 选叙事框架（三选一）
- 问题-解决：Hook 痛点($)→现状基线→根因→洞察(配图)→方案→预期收益→Call to Action。
- 趋势变化：起点→做了什么(时间线)→前后对比表→关键洞察→下一步目标。
- 对比抉择：抛出问题→A/B 并列→加权打分矩阵→推荐+理由→风险缓解。
3. 按叙事弧排序（不是按数据顺序）
Hook(意外洞察) → Context(基线) → Rising(逐步铺数据)
→ Climax(关键洞察) → Resolution(建议) → Call to Action(下一步)。
前置结论，方法论靠后（"context, then method"）。
4. 三支柱校验每一页
- 数据(证据)：数字/趋势/对比；
- 叙事(意义)：语境/因果/影响；
- 视觉(清晰)：图表/高亮/标注。三者缺一不可。
5. 可视化做减法+加标注（见示例代码）
- 渐进披露：一次只加一层信息，每页一个论点。
- 对比并列：Before/After、This/That 直接放一起放大差异。
- 图上标注关键事件、阈值线、高亮区间——让读者一眼看到"看哪里"。
6. 量化收益 + 明确 the ask
- 给 ROI、回收周期、影响区间（用范围如 $400K-$600K，别给假精度）。
- 不确定性诚实表达：「95% 置信下…」「相关性强，但因果需…」。
- 结尾一个具体请求：要什么决策/预算/资源。
示例
标题公式与过渡语：
标题 = [具体数字] + [业务影响] + [可行动语境]
「我们正因可预防的流失损失 $2.4M」
推进叙事：「深挖下去会发现…」「与此形成对比的是…」
引出洞察：「数据揭示了…」「让我们意外的是…」「拐点出现在…」
转向行动：「这一洞察意味着…」「基于此分析，我们建议…」
matplotlib 标注（把折线图变成有故事的图）：
import matplotlib.pyplot as plt
fig, ax = plt.subplots(figsize=(12, 6))
ax.plot(dates, revenue, linewidth=2, color='#2E86AB')
# 标注关键事件
ax.annotate('Product Launch\n+32% spike',
xy=(launch_date, launch_revenue),
xytext=(launch_date, launch_revenue * 1.2), fontsize=10,
arrowprops=dict(arrowstyle='->', color='#E63946'), color='#E63946')
# 高亮增长区间 + 目标线
ax.axvspan(growth_start, growth_end, alpha=0.2, color='green', label='Growth Period')
ax.axhline(y=target, color='gray', linestyle='--', label=f'Target: ${target:,.0f}')
ax.set_title('Revenue Growth Story', fontsize=14, fontweight='bold'); ax.legend()
高管摘要页骨架（一页讲清）：
KEY INSIGHT: "第一周完成 onboarding 的客户 LTV 高 3 倍"
左栏 THE DATA | 右栏 THE IMPLICATION
LTV $4,500 / 留存 85% | ✓ 优先 onboarding 体验
对照组 LTV $1,500 | 投资 $75K，预期 ROI 8x
注意事项
- 结论先行（front-load）：每页/每节开头先给可独立摘录的结论，别把洞察埋在最后。
- 狠心做减法（don't data dump）：只留支撑主线的数据，删掉"虽然有但不相关"的图。
- 别先讲方法论：先给语境和结论，方法/口径放附录或靠后。
- 匹配听众词汇，去术语（don't use jargon）；让数据自己说话（show, don't tell）。
- 数字必须有意义：任何统计值、价格、排名、"研究表明"一律标 [需核查] 交
fact-checking，本技能不自证事实。 - 不臆造精度：影响估计用区间，注明置信度，相关≠因果要讲清。
- 三的法则：三个论点、三组对比，超过就拆分。
- 每篇必有 Call to Action：没有明确"要什么决策"的数据故事是失败的。
互见
- related：
seo-content-writer—— 同源的"结论先行/answer-first"写作原则，做对外内容时复用。 - related：
markdown-to-docx—— 把产出的报告 Markdown 转成可交付 Word 文档。 - related：
fact-checking—— 文中所有数据与事实性断言须经其核验。 - related：
canvas-design—— 需要把叙事落成正式视觉版式/配色时下钻。
本条采编自 wshobson/agents（MIT 许可）。