Disco：自动化模式发现引擎
Disco 是一款面向表格数据的假设生成型分析工具，核心定位是发现用户不会主动寻找的统计显著模式——包括特征交互、子群效应和条件关系——而非回答预设问题。其技术 pipeline 涵盖：系统性搜索、基于留出数据的FDR校正p值验证、学术文献比对评估新颖性，最终返回结构化结果（条件定义、效应量、引用、新颖性评分）。
核心用法
1. 数据上传：支持 CSV/Excel/Parquet 等格式，URL直传、本地文件（Python SDK）或 MCP 服务器
2. 目标列指定：定义待解释/预测的结果变量
3. 列排除：关键步骤，需剔除标识符、数据泄露列、同义反复列（如目标的重编码或组成部分）
4. 深度分析：默认深度2，可调更高以发现更深层的非显著交互
5. 公私选择：公开版免费（结果公开、深度锁2）；私有版消耗积分，结果保密
显著优点
- 无偏发现：不依赖先验假设，系统探索高阶交互和非线性阈值
- 统计严谨：FDR校正多重检验，留出数据验证，避免过拟合
- 新颖性量化：自动比对学术文献，区分"验证已知"与"真实新发现"
- 结构化输出：预渲染自然语言描述、精确条件范围、支持样本量、学术引用
- 多接入方式：MCP远程服务器（零安装）、Python SDK（本地大文件流式处理）
局限与风险
- 成本敏感：私有分析按数据规模、深度计费（$0.10/积分），深度>2时成本显著上升
- 格式限制：仅扁平表格，不支持图像、嵌套JSON、多表关联
- 同义反复陷阱：若未正确排除目标的重编码列，会产生"正确但无价值"的平凡模式
- LLM依赖权衡：关闭LLM则丧失文献查新、智能描述生成，可能误分类变量类型
- 队列等待：分析可能耗时，需异步轮询
适合人群
- 研究者：假设生成阶段，探索性数据分析，寻找文献空白
- 数据科学家：高维数据中的交互效应发现，特征工程前置步骤
- 领域专家：农业、医疗、金融等场景，需发现非显而易见的驱动因素
常规风险
| 风险类型 | 说明 | 缓解 |
|---------|------|------|
| 数据泄露输入 | 目标的重编码列导致伪发现 | 严格遵循排除列指南 |
| 成本超支 | 高深度私有分析积分消耗快 | 先用`discovery_estimate`预估，公开版试用 |
| 结果误读 | 统计显著≠因果/可行动 | 结合领域知识解释，区分相关性与机制 |
| 隐私泄露 | 公开版结果完全公开 | 敏感数据强制选私有 |
| 过度拟合幻觉 | 即使FDR校正，极深探索仍可能产生假阳性 | 关注效应量和支持样本比例，独立验证 |
认证评估
- 来源可信度 T2：Leap Labs 出品，有明确技术文档、Python SDK、学术引用机制，但非同行评审发表
- 安全等级 A：API密钥认证、Stripe支付隔离（Disco不触卡号）、支持私有运行；主要风险在于用户配置（数据泄露列排除）而非系统安全架构