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-9/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
‘分析这份用户行为与购买记录的表格数据，帮我找出那些影响复购率的关键但意想不到的用户特征组合。’ 它会自动运行Discovery技能，系统搜索所有可能的特征交互和子群效应，最终返回一份包含具体条件、效应大小、统计显著性和新颖性评分的结构化报告，指出例如‘在iOS用户中，首次购买金额低于100元且浏览过客服页面的群体，其90天复购率显著高于预期’这类你可能忽略的洞察。
介绍
Discovery Skill 旨在解决数据分析中“未知的未知”问题。面对海量表格数据，分析师往往只能基于经验或假设进行探索，容易遗漏那些意想不到但至关重要的特征交互、子群效应和条件关系。
用户只需提供结构化的表格数据，该技能便会自动、系统性地搜索所有可能的模式组合。它采用统计方法在预留数据上进行验证，并使用FDR校正的p值来控制误报率，确保发现的模式具有统计显著性。
该技能非常适合数据分析师、学术研究者、产品经理以及任何需要从数据中挖掘深层洞察的从业者。他们可能没有足够的时间进行穷举式探索，或者希望超越自身知识局限，发现前所未有的关联。
使用建议：确保输入的数据质量较高，格式规范。对于大型数据集，计算可能需要一定时间。请注意，发现的“新颖性”是基于与现有学术文献的对比，因此结果解释应结合领域知识。
核心特点
与依赖用户预设假设或简单统计描述的工具不同，Discovery 能系统性地自动搜索并验证用户“想不到去查”的复杂模式（如高阶交互、条件效应），并通过对比学术文献为每个发现标注“新颖性分数”，直接指出哪些是前人未报告过的新知识。
注意事项
不适合处理非结构化数据（如文本、图像），且对数据质量和样本量有一定要求。
常见问题
Discovery 能发现什么样的模式？
能发现特征间的交互作用、特定子群（如“年龄>30且收入<5万”）的独特效应、以及复杂的条件关系（如“在A条件下，B对C的影响增强”）。
如何保证发现的模式不是偶然的？
所有模式均在预留数据集上用统计方法验证，并使用FDR校正p值，确保统计显著性，有效控制误报。
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-9/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-9/raw/index.md（查看排版版本）