核心用法
Data-Cog 是基于 CellCog 智能体的零代码数据分析平台。用户只需上传 CSV/Excel/JSON/Parquet 等数据文件，用自然语言描述分析目标，系统自动完成数据清洗、探索性分析、统计建模、可视化呈现全流程。
典型工作流：
1. 上传数据 → 使用 <SHOW_FILE> 标签或直接描述
2. 自然语言提问 → 如"分析客户流失驱动因素""预测下季度销售额"
3. 选择模式 → agent 模式应对常规分析，agent team 模式处理复杂多步骤项目
4. 获取结果 → 交互式 HTML 仪表板、PDF 报告、清洗后的数据文件或 Markdown 摘要
覆盖能力矩阵：
| 场景 | 能力 |
|------|------|
| 数据清洗 | 格式标准化、缺失值处理、去重、特征工程 |
| 探索分析 | 数据画像、分布统计、相关性分析、异常检测 |
| 统计推断 | A/B 检验、假设检验、回归分析、时间序列分解 |
| 机器学习 | 分类/聚类/预测、模型评估、特征重要性 |
| 可视化 | 交互式图表、仪表板、出版级学术图表 |
显著优点
1. 结果导向，非代码导向：与传统 AI 工具返回 Python 脚本不同，Data-Cog 直接交付可交互图表、统计报告和清洗数据，消除"拿到代码不会跑"的痛点。
2. 智能探索能力：支持极简提示如"分析这个数据集，告诉我一切有趣的事"，Agent 自主决定分析路径，降低使用门槛。
3. 多模态输出：同一分析可输出 HTML 交互仪表板（探索）、PDF 报告（汇报）、CSV（下游使用），适配不同场景。
4. 统计严谨性：内置假设检验、P 值计算、置信区间、效应量等学术级统计方法，满足研究场景需求。
5. 全 Python 后端：底层调用 pandas、scikit-learn、matplotlib 等成熟库，结果可解释、可复现。
潜在缺点与局限性
1. 强依赖 CellCog SDK：本 Skill 本身为文档封装层，核心计算能力完全依赖外部 cellcog Skill，需确保该依赖已正确安装且版本兼容。
2. 云端处理模型：数据需上传至 CellCog 服务进行分析，对敏感数据（如医疗记录、金融交易明细）存在合规顾虑，虽官方声称符合 GDPR/CCPA，但用户需自行评估数据出境风险。
3. 黑箱化程度：自动选择算法和参数虽便捷，但专业用户难以干预模型选择（如强制使用特定回归方法），可解释性介于"完全透明"与"完全黑箱"之间。
4. 成本不透明：作为第三方商业服务，高频或大数据量分析可能产生 API 调用费用，文档未明确计费模型。
5. 输出格式局限：虽支持主流格式，但高度定制化可视化（如特定期刊的 LaTeX 图表模板）可能需要额外手动调整。
适合人群
- 业务分析师：需快速从数据中提取洞察，无编程背景
- 产品经理/运营：自主完成 A/B 测试分析、用户行为研究
- 科研人员：进行探索性数据分析、统计检验、出版级图表生成
- 数据工程师：快速数据清洗和特征工程原型
- 中小企业：缺乏专职数据团队，需低成本 BI 替代方案
常规风险
| 风险类别 | 说明 | 缓解建议 |
|----------|------|----------|
| **数据隐私** | 数据上传至第三方云服务商 | 避免上传含 PII/PHI 的敏感数据；优先使用脱敏数据集 |
| **结果可信度** | AI 可能选择不恰当的统计方法或过度解读相关性 | 关键决策需人工复核统计假设和方法论描述 |
| **依赖可用性** | CellCog 服务中断或 API 变更将影响功能 | 关注官方状态页，保留本地分析备份方案 |
| **模型幻觉** | 对复杂数据模式的解读可能出现错误 | 对反直觉结论要求提供原始数据和计算过程验证 |
| **版本兼容性** | cellcog SDK 更新可能破坏现有分析流程 | 生产环境锁定依赖版本，测试环境验证升级 |