Discovery
自动发现表格数据中新颖、统计验证的模式
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新颖、统计验证的模式 完整的 Skill 内容见：https://321skill.com/skills/discovery-x-4/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
‘请使用 Discovery Skill 分析这份销售数据CSV文件，目标是找出影响客户复购率的关键因素组合。’，它会自动加载数据，系统性地搜索特征间的交互作用和子群效应，生成一份包含统计验证结果、效应大小、相关文献引用和新颖性评分的结构化报告，帮你发现那些人工分析容易忽略的深层模式。
介绍
Discovery Skill 旨在解决数据分析中一个核心痛点：如何在海量、多维的表格数据中，系统性地发现那些隐藏的、非显而易见的、且具有统计显著性的关联模式。传统的人工分析或简单的模型拟合容易遗漏复杂的交互效应和子群差异，而该工具通过自动化搜索算法，能够揭示用户可能从未想到去探索的深层关系。
使用时，用户只需提供结构化的表格数据（如CSV文件），并指定目标变量。Disco 会自动执行系统性的搜索，寻找特征间的交互作用、子群效应和条件关系。它会对每个发现进行严格的统计验证，使用留出数据和经过FDR校正的p值来确保结果的可靠性，并自动检索学术文献以评估发现的新颖性。
该技能非常适合数据分析师、学术研究者、量化交易员以及任何需要从结构化数据中挖掘深层洞察的专业人士。无论是分析业务数据集、研究学术数据，还是分析商品销量数据，它都能提供超越常规分析的发现。
使用建议：确保输入的数据质量较高，缺失值和异常值需预先处理。对于大型数据集，计算可能需要一定时间。结果的解读需要一定的统计学知识，建议结合领域知识对发现的模式进行业务或学术上的评估。
核心特点
与同类数据探索工具相比，Disco不仅进行模式搜索，还通过FDR校正的统计检验和自动化的学术文献比对，为每个发现提供统计有效性和新颖性评分，直接输出结构化、可解释且附带文献引用的模式报告。
注意事项
不适用于非结构化数据（如文本、图像）或实时流数据的分析。
常见问题
Discovery Skill 能处理什么格式的数据？
主要处理结构化的表格数据，如 CSV 格式文件。
它如何保证发现的模式不是随机噪声？
使用留出数据进行验证，并采用FDR校正的p值进行统计显著性检验。
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-4/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-4/raw/index.md（查看排版版本）