核心用法
通用数据分析专家采用四层分析框架（数据本体论→问题类型学→方法论映射→验证输出），通过7步流程完成全自动分析：数据加载→本体识别→质量校验→方案规划→脚本生成→执行分析→综合报告。用户只需上传CSV/Excel/Parquet/JSON等文件，或发送自然语言指令如"帮我分析这份数据"即可触发。
显著优点
智能本体识别：不依赖关键词硬编码，由大模型推理判断数据实体类型（零售经济、订阅经济、注意力经济、劳动力市场、金融时序、科学测量等），自动匹配RFM、LTV、漏斗分析、时间序列分解、社区发现等20+专业框架。
零配置工作流：自动处理编码检测（支持utf-8/gbk/latin1等）、缺失值/异常值检测、引擎回退容错，输出HTML+Markdown双格式报告及可复用的分析脚本。
广泛兼容性：覆盖经济型数据（零售、订阅、金融、劳动力市场）与非经济型数据（传感器、社交网络、地理空间、文本、生物医学），满足跨领域需求。
潜在局限
1. 大模型依赖风险：核心推理层完全依赖LLM，若模型推理偏差可能导致方法选择不当
2. 计算资源消耗：7步流程多次调用大模型，复杂数据集分析成本较高
3. 专业深度边界：虽覆盖20+框架，但前沿领域（如深度学习预测、因果推断）可能需要人工介入
4. 隐私敏感场景：数据需上传至分析环境，敏感商业数据存在合规顾虑
适合人群
- 数据分析师：快速探索陌生数据集，生成分析框架草稿
- 业务运营：无需编程即可完成销售、用户、行为数据分析
- 科研人员：传感器、观测数据的自动化清洗与描述性分析
- 咨询顾问：标准化交付物（HTML报告+可复现脚本）的快速生成
常规风险
- 数据质量误报：自动质量评分可能无法识别领域特定的业务规则错误
- 脚本可执行性：LLM生成代码存在运行失败概率，需人工验证
- 过度自动化陷阱：用户可能忽视"为什么选这个框架"的底层逻辑，导致结论误读
- 版本依赖：matplotlib/pandas等库版本差异可能导致图表渲染异常