Discovery
自动发现表格数据中的新颖统计模式
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新颖统计模式 完整的 Skill 内容见：https://321skill.com/skills/discovery-x-5/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
'分析这份销售数据表格，找出隐藏的模式和异常关系'，Disco 会自动扫描所有特征组合，返回统计验证后的模式列表，包括条件、效应量、新颖度评分，并引用相关学术文献。
介绍
如果你面对大量表格数据，却不知道从何入手挖掘隐藏规律，Disco 能帮你自动扫描所有特征组合、子群体效应和条件关系，并用统计方法验证每个发现，确保结果可靠。它特别适合在常规分析之外寻找那些你根本想不到的洞见，既快又省力。
使用非常简单：只需输入你的表格数据（如 CSV 文件），Disco 会自动进行系统化搜索，对每个候选模式在保留数据集上执行 FDR 校正的 p 值检验，然后对照学术文献判断新颖性，最后返回结构化的模式列表，包含条件、效应量、参考文献和新颖度评分。
适合数据分析师、数据科学家、学术研究者以及任何需要从业务数据中挖掘深层规律的用户。无论你是分析销售数据、用户行为数据还是实验数据，Disco 都能帮你发现那些被忽略的关联和异常。
建议：Disco 对数据质量有一定要求，请确保数据已清洗、缺失值处理完毕；它更适合探索性分析，不适合用于需要实时流式处理的场景。另外，对于非常小的数据集（如少于 100 行），统计检验可能不够稳定。
核心特点
与同类工具相比，Disco 不仅搜索特征交互和子组效应，还使用 FDR 校正的 p 值在保留数据上验证，并对照学术文献检查新颖性，返回结构化模式，而不仅仅是相关性列表。
注意事项
不适合非表格数据（如文本、图像）或需要实时流式处理的大规模数据场景。
常见问题
Disco 支持哪些数据格式？
目前主要支持 CSV、Excel 等常见表格格式，推荐使用 CSV 以避免格式兼容问题。
Disco 的统计验证方法是什么？
使用 Bootstrap 或置换检验生成 p 值，并用 FDR 方法校正多重比较，确保发现的模式不是偶然出现。
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-5/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-5/raw/index.md（查看排版版本）