Discovery
自动发现表格数据中的统计显著模式
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：Discovery。 它的用途是：自动发现表格数据中的统计显著模式 完整的 Skill 内容见：https://321skill.com/skills/discovery-x-2/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
'Discovery，请分析我的电商销售数据集，自动发现隐藏的客户细分模式和产品组合效应。' 它会自动扫描所有特征交互，返回带有统计显著性的模式列表，例如'当购买A类商品且来自新用户时，复购率提升23%（p=0.003，新颖性评分0.85）'，并附上相关文献引用。
介绍
Discovery 解决的是数据分析中一个普遍痛点：手动探索数据时容易遗漏复杂的特征交互、子群效应和条件关系。它通过系统化的搜索算法，自动扫描表格数据中所有可能的模式组合，并用 FDR 校正的 p 值在留出集上验证每个发现的统计显著性，最后与学术文献对比判断新颖性。
使用非常简单：只需提供 CSV 或表格格式的数据，Discovery 会返回结构化的模式列表，包含触发条件、效应量、相关文献引用和新颖性评分。无需配置复杂的统计模型或编写代码，整个过程自动完成。
适合数据分析师、业务分析师、量化研究员、产品经理等需要从数据中提取洞察的从业者。尤其适合处理海量表格数据时的探索性分析，能快速发现人工难以注意到的隐藏规律。
建议先在小样本数据上测试以熟悉输出格式，注意工具侧重统计显著性而非因果推断，对数据质量敏感。非结构化数据（文本、图像）不适用，实时流数据需先批处理。
核心特点
与普通相关性分析工具不同，Discovery 同时搜索特征交互、子群效应和条件关系，并使用 FDR 校正的 p 值在留出集上验证，还能自动检查学术文献判断新颖性。
注意事项
不适合处理非结构化数据（如文本、图像）或需要实时分析的流式数据。
常见问题
Discovery 支持多大的数据集？
没有严格上限，但建议行数不超过100万、列数不超过100列，否则搜索时间会显著增加。
需要编程知识才能使用吗？
不需要。只需提供 CSV 文件，所有分析自动完成，输出为易读的结构化报告。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/discovery-x-2/raw/index.md 读取 Discovery 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/discovery-x-2/raw/index.md（查看排版版本）