Discovery
自动发现表格数据中新颖、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：自动发现表格数据中新颖、统计验证过的模式 完整的 Skill 内容见：https://321skill.com/skills/discovery-x-7/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，验证发现的模式，并返回一份报告，其中包含如‘在华东地区且购买过A类产品的年轻客户群体中，复购率显著提升35%（p<0.01，经FDR校正）’这样的结构化发现，并附上相关学术引用和新颖性评分。
介绍
Discovery Skill 旨在解决数据分析中依赖人工假设、容易遗漏复杂关系的问题。它能够自动、系统地探索表格数据，发现那些用户可能想不到的特征交互、子群效应和条件关系，从而揭示隐藏的洞察。
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 会自动进行大规模搜索，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。
该工具特别适合数据分析师、学术研究者、产品经理以及任何需要从数据中挖掘深层、可验证规律的从业者。他们可能没有足够的时间或统计学背景进行如此全面的探索性分析。
建议在拥有干净、结构化的数据集时使用，以获得最佳效果。对于非结构化数据或文本数据，可能需要先进行预处理。同时，结果的解读仍需要结合领域知识，以避免得出误导性的关联。
核心特点
与同类数据探索工具相比，Disco 的核心区别在于其系统性的搜索验证流程与学术新颖性检查。它不仅寻找模式，还会用严格的统计方法（FDR校正的p值）在预留数据上验证，并自动引用学术文献来评估发现是否已有前人研究过，从而直接输出带有条件、效应大小、引用和新颖性评分的结构化结果。
注意事项
不适合处理非结构化数据（如纯文本、图像）或进行预测建模任务。
常见问题
Discovery 能处理什么格式的数据？
主要处理结构化的表格数据，如 CSV 文件。
它如何保证发现的模式不是偶然的？
通过在预留数据集上进行验证，并使用 FDR 校正的 p 值来控制错误发现率。
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-7/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-7/raw/index.md（查看排版版本）