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-3/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
'帮我用Discovery分析这份销售数据，找出哪些客户群体和促销组合能带来高于平均的订单金额。' 它会自动扫描所有特征交互，返回例如'高收入用户+周末促销+满减券'组合下订单金额平均提升32%，且p值显著、新颖性评分高的结构化报告。
介绍
数据分析中，最耗时的不是跑模型，而是找到那些你根本没想到要去查的隐藏关系。Discovery 正是为了解决这个问题而生——它自动扫描你的表格数据，搜索特征交互、子组效应和条件依赖关系，并用留出数据和 FDR 校正的 p 值进行统计验证，最后还会比对学术文献判断新颖性。你不需要手动指定要查什么，它会替你系统性探索所有可能的模式。
使用非常简单：只需传入一份表格数据（如 CSV 或 DataFrame），Disco 就会返回一个结构化的模式列表，每个模式包含条件定义、效应量、统计显著性、相关文献引用和新颖性评分。你可以在 Jupyter Notebook 中直接调用，或通过 API 集成到自动化分析流水线中。
这个工具特别适合数据分析师、数据科学家和业务分析师，尤其是那些需要从海量数据中快速挖掘洞察、又不想错过任何潜在规律的场景。无论是电商销售数据、用户行为日志，还是实验 A/B 测试结果，Disco 都能帮你发现那些隐藏在交叉维度的惊喜发现。
使用建议：Disco 对数据质量有一定要求，建议先清洗缺失值和异常值；结果中的新颖性评分基于公开学术数据库，部分领域可能覆盖不全；对于业务逻辑强相关的模式，建议结合领域知识做最终判断，避免过度依赖统计显著性。
核心特点
与其他数据探索工具不同，Disco 自动对每个发现的模式进行留出数据验证和 FDR 校正，并实时比对学术文献判断新颖性，确保你得到的不是偶然巧合而是真正有价值的洞察。
注意事项
不适合非结构化数据（如文本、图像、音频）或需要人工领域知识才能解释的复杂业务场景。
常见问题
Discovery 和传统的探索性数据分析（EDA）有什么区别？
EDA 依赖分析师手动绘图和假设，而 Discovery 自动、系统地搜索所有可能的模式并统计验证，能发现你没想到的交互效应和子组差异。
它如何保证发现的模式不是偶然的？
每个模式在留出数据上验证，并计算 FDR 校正的 p 值，有效控制假阳性率。
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-3/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-3/raw/index.md（查看排版版本）