核心用法
Disco 是一个自动化模式发现引擎，专为表格数据设计。用户上传数据集（CSV、Excel、Parquet 等，最大5GB），指定目标列，系统即自动执行深度搜索：识别特征交互、非线性阈值、亚组效应等复杂模式，每个发现均在留出数据上经FDR校正p值统计验证，并与学术文献比对评估创新性。
关键工作流程：
1. 数据上传（支持URL、本地文件、Python SDK）
2. 列检查与目标列选择
3. 排除标识符/数据泄漏/同义反复列（关键步骤）
4. 选择公开（免费）或私有（付费）分析
5. 设置分析深度（默认2，可调更高以发现更隐蔽模式）
6. 提交分析并轮询结果
7. 获取结构化报告：模式描述、条件、效应量、p值、创新性分类、引用文献
输出亮点：
- 新颖模式：未在现有文献中报告的发现，附创新性解释与对比引用
- 确认性模式：验证已知科学结论
- 特征重要性：全局驱动因素排序
- 交互式报告：可视化探索的网页仪表板
显著优点
- 假设无关发现：不依赖用户预设假设，能发现人工分析遗漏的复杂交互
- 严格统计验证：FDR校正p值 + 留出数据验证，避免过拟合
- 学术创新性评估：自动检索文献，区分"真正新发现"与"已知结论"
- 多深度分析：depth参数控制搜索深度，越高越能发现非显而易见的模式
- 灵活集成：MCP远程服务器免安装、Python SDK支持大文件流式上传、REST API全功能覆盖
- 透明可解释：每个模式附带清晰的条件定义、效应量、支持度统计
潜在缺点与局限性
- 仅支持表格数据：图像、原始文本、嵌套JSON、多表关联不支持
- 目标列必需：必须明确指定单一目标列进行分析
- 深度与成本权衡：高深度分析显著增加计算成本与等待时间
- LLM增强功能额外付费：智能预处理、文献上下文、创新性评估需启用LLM（更慢更贵）
- 同义反复列风险：若未正确排除定义性相关列，会产生" humidity高时作物产量高"式的空洞发现
- 公开分析限制：免费公开分析锁定depth=2且结果公开发布
适合人群
- 科研人员：假设生成、文献空白识别、跨学科模式发现
- 数据科学家：探索性数据分析、特征工程灵感、模型可解释性补充
- 行业分析师：用户行为细分、风险因素识别、运营优化洞察
- 生物信息学/医学研究：基因-环境交互、药物反应亚组、临床试验数据挖掘
- 农业/环境科学：气候-土壤-产量复杂关系、可持续实践优化
常规风险
- 隐私与数据安全：公开分析将数据集与结果完全公开；私有分析数据经加密传输存储，但用户需评估云端处理敏感度
- 统计显著≠因果：发现的是关联模式，建立因果需实验设计验证
- 过度依赖自动化：可能忽视领域知识中的关键变量或产生不可操作的抽象模式
- 成本管理：私有分析按数据量、深度、LLM使用计费，大深度分析可能消耗大量credits
- API密钥管理：需安全存储
disco_前缀密钥，避免泄露导致未授权消费 - 文献比对局限：创新性评估依赖现有文献数据库覆盖度，极新领域可能存在盲区