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-8/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
‘请分析这份客户流失数据集，找出导致高价值客户流失的隐藏模式和条件。’，它会自动搜索数据中的特征组合与子群效应，例如发现‘当客户年龄大于35岁、使用移动端次数少于5次且月度消费波动大于30%时，未来3个月流失概率显著提升（p<0.01）’，并检查该模式在学术文献中是否已有报道，最终提供结构化结果、效应大小和文献引用。
介绍
Discovery Skill 旨在解决数据分析中“未知的未知”问题。传统分析依赖分析师的经验假设，容易错过数据中隐藏的、非直觉的复杂关系，如特征交互、子群效应和条件关系。该工具通过自动化搜索，能发现那些你根本想不到去查看的模式。
它通过系统性地搜索数据中的特征交互、子群效应和条件关系来工作。对每个潜在发现，它都会在预留数据上使用经过FDR校正的p值进行统计验证，确保结果可靠。更重要的是，它会将每个发现与学术文献进行比对，评估其新颖性，避免报告已知常识。
该Skill非常适合数据分析师、学术研究者以及需要从业务数据中挖掘深层洞察的产品经理或运营人员。它尤其适用于处理大型、复杂的表格数据集，帮助用户超越表面描述性统计，发现驱动结果的关键因素和条件。
使用建议：建议在拥有干净、结构化的表格数据后使用。虽然它能处理一定程度的噪声，但数据质量越高，发现的模式越可靠。注意，它主要输出统计上显著且新颖的模式，对于已知的强相关关系可能不会重点强调，更适合探索性分析而非验证性分析。
核心特点
与同类数据探索工具相比，其核心区别在于：1. 不仅发现模式，还通过比对学术文献为每个发现提供“新颖性评分”和引用，区分已知常识与全新洞察；2. 采用系统性的穷举式搜索，而非基于预设假设，能发现分析师意想不到的复杂特征交互和条件关系。
注意事项
不适合处理非结构化数据（如文本、图像），且对数据质量和规模有一定要求，小样本数据可能无法产生可靠发现。
常见问题
需要多大规模的数据才能有效使用？
建议样本量足够大以进行可靠的统计检验和训练集/测试集划分，具体取决于变量数量和数据复杂度。
输出的“新颖性评分”是如何计算的？
通过将发现的模式与现有学术文献数据库进行比对，基于匹配程度和文献发表时间等因素综合评定。
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-8/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-8/raw/index.md（查看排版版本）