Discovery
自动从表格数据中发现新颖、统计验证过的模式
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：自动从表格数据中发现新颖、统计验证过的模式 完整的 Skill 内容见：https://321skill.com/skills/discovery-x-6/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 分析这份销售数据CSV，找出影响用户复购率的隐藏因素。’ 它会自动加载数据，搜索特征间的交互作用，并输出经过统计验证和新颖性评估的模式列表，例如‘在年龄大于30岁且首次购买金额超过500元的女性用户中，复购率显著提升（效应大小0.15，p<0.01），该模式在现有文献中提及较少（新颖性评分85）。’
介绍
Discovery Skill 旨在解决数据分析中难以发现的隐藏模式和复杂关系问题。传统数据分析依赖人工假设和探索，容易遗漏非线性的特征交互、特定子群效应或条件关系，而 Discovery 通过系统性的自动化搜索，能够挖掘出这些容易被忽略的深层洞察。
使用时，用户只需提供结构化的表格数据（如 CSV 文件），该技能便会自动执行模式发现流程。它会系统地搜索特征间的相互作用、子群效应和条件关系，对每个发现的模式在预留数据上进行统计验证（使用 FDR 校正的 p 值），并与学术文献进行比对以评估其新颖性。
该技能特别适合数据分析师、学术研究者以及需要从业务数据中挖掘新见解的产品经理或营销专员。他们可能没有足够的时间或统计专业知识进行如此深入的探索性分析。
使用建议：确保输入的数据质量较高，缺失值已处理，且包含足够数量的样本以获得可靠的统计结果。注意，该技能专注于发现“新颖”的模式，因此对于已知的、常规的数据关系，其价值可能不如专门的预测建模工具。
核心特点
与同类数据分析工具相比，Discovery 的核心区别在于其专注于“新颖性”验证，不仅通过统计方法（FDR校正的p值）验证模式的显著性，还会自动与学术文献进行比对，为每个发现提供引用和新颖性评分，确保发现的模式是前人未充分报告的。
注意事项
不适合处理非结构化数据（如文本、图像）或样本量极小的数据集。
常见问题
Discovery 能处理什么格式的数据？
主要处理表格数据，如 CSV 格式文件。
发现模式后，输出结果包含哪些信息？
输出结构化的模式描述，包括条件、效应大小、相关学术文献引用以及新颖性评分。
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-6/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-6/raw/index.md（查看排版版本）