数据分析Agent教程

ai 圈子的风向变得太快了，二五年底，大家还在主要讨论哪个模型更聪明，哪个模型编程能力更强。到了二六年初呢，几乎所有人都在聊 computer use， 简单来说就是让 ai 操控你的电脑，自己去干活。这事呢，最早还是 cloud 掀起来的，年初的时候， cloud 的 co worker 刚发布的时候，演示视频确实挺帅的，可以随便操作你的本地电脑文件，读文档，写表格。他也开始让大家意识到，原来本地的 a 阵的客户端不只是能写代码。 但是啊，咱们在国内用 cloud 有 多难受，懂的都懂啊，价格贵就不说了，稍不留神你的号就没了。过了几天呢，这个开源的大龙虾掀起了一波新的热度。 它的原名呢，叫 cloud boot， 但是因为被 cloud 认为是在碰瓷啊，所以被告到改名成 open cloud 了。 发布短短几周，给 top star 飙升到惊人的一百六十六 k 了。它的效果啊，确实很惊艳，但是呢，因为配置门槛有点高，以及非常脆弱的安全性，劝退了很多普通玩家。 最近啊， mini max agent 上线了它的桌面端版本体验了一段时间呢，我认为它就是这个赛道的国产最佳品 t 了。它的体验啊，非常接近于我理想中的 ai 原声工作台。 它不再是一个简单的网页对话框，而是直接钻进你的电脑，能看懂你的文件，能替你操作浏览器，甚至能帮你直接写代码并且部署。最重要的是呢，它的客户端不仅适配了 mac， 连 windows 这种文件系统极其复杂的环境也支持的非常好。 下面呢，我准备了几个实操案例，带大家一起来实际操作感受一下。首先我会带大家了解一下 minimax agent 如何和我们的本地电脑进行交互，然后我们尝试让它完成一个复杂的数据分析任务，包括数据源的解锁，下载， excel 的 整理，当成可识画的 ppt， 以及一键部署为炫酷的网页，全部让它自己完成。最后呢，我会教大家如何用 minimax agent 玩转最近爆火的 metalbook。 首先我们可以到 minimax 官网下载符合你系统版本的客户端， 打开客户端之后呢，我们可以看到和网页版类似的界面，最明显的区别就是我们可以选择一个本地文件夹，选择之后， minimax agent 将会拥有这个文件夹下的读取和操作权限。 那我们先让他来完成一个本地文件操作的任务。那我的下载文件夹呢，里面堆了非常多的文件，我隐约记得啊，里面有一张购买 icloud 发票，但是我忘了文件名。那我们给 mini max agent 下载一条指令，帮我从 download 文件夹找一张购买 icloud 发票。找到之后呢，帮我创建一个财务报销的文件夹，然后把它放进去。 我们看到他迅速扫描了本地目录，过滤掉了大量不相关的文件，然后开始逐个理解图片的内容。 然后他精准的找到我这张发票，创建了一个新的文件夹，把这张发票放了进去。 最后啊，他还把发票中的内容分析出来了，那我们打开 download 的 目录看一下，那果然看到他已经帮我们把发票挪到了正确的文件夹。 这个呀，要比 maxed 聚焦搜索要强太多了，因为他不仅仅能搜索文件名，还能理解文件内容，下面我们给他来点有挑战性的任务，看看他是不是真正的能帮我们提升工作的生产力呢。我们来测试一个数据分析的案例， 我们先讲一下啊，如果老板让你做一个竞品财报的分析啊，正常的流程可能是这样的，首先啊，我们打开搜索引擎，搜索到这个财报， 然后把它下载到本地啊，然后我们开始人工分析，然后把分析之后的数据呢复制粘贴到 excel 啊，然后再开始做图表，然后截图，最后再贴近一个 ppt 里面。那这套流程走下来呢，基本上半天就没了啊。下面啊，我们来看看在 mini max agent 里面是怎么做这项工作的呢？我们给 mini max agent 下载一个新的指令， 帮我搜索腾讯和阿里巴巴两家公司的财报，并且把 pdf 下载到本地。它首先精准地检测到了两家公司财报的下载地址，然后调用本地命令，成功将 pdf 下载到了我们本地软件夹。我们打开目录看一下啊，文件已经下载到了指定的位置。 拿回几十页的 pdf 之后呢，最头疼的莫过于分析数据，提取数据，整理数据的过程了，所以下面我们给 minimax agent 下载第二个指令， 分析本地的财报文件，做一个完整的腾讯阿里巴巴的对比。 excel 包含财务规模、盈利能力、核心业务板块、现金流与财务健康、股东回报这几个维度。首先 a 站呢，开始对两个 pdf 文件进行关键信息提取，然后他成功提取出了两个公司的关键财务数据，开始准备编辑脚本，写入 excel。 脚本执行成功了啊，最后他还帮我们总结了营收、净利润、研发投入等核心指标。 那我们打开它生成的这个 excel 文件看一下啊，我们看到啊，它不仅仅是按照我们的要求填写好了数据，还总结了一些对比分析的结论， 最后还生成了多维度的对比图表，这个呢，要比我们自己手动复制粘贴制作图表要快上很多倍了。在 minimax 默认模式下呢，还内置了很多强大的 sub agent， 比如 ppt 报告编辑、深度调研等等。 下面呢，我们还是让他来尝试分析这两个财报的数据，然后帮我们做一份两个公司的业绩对比的 ppt。 那 minimax 首先还是详细分析了这两个文档，然后定制了 ppt 的 大纲和内容脚本，然后开始按照大纲和脚本生成图片。 那每一页的图片生成完成之后呢，他开始创建脚本合成文件， 我们看到他帮我们创建了 pptx 格式和 pdf 格式的文件。 那本地编辑呢，还有一个好处啊，就是我们可以看到整个任务过程中生成的所有临时文件，这些文件呢，你都是可以去二次更改和使用的。那我们打开这个最终版本的文件看一下啊， 效果非常不错啊，比 excel 表要清晰得多了。如果你认为 ppt 还不够炫酷啊，那我们就尝试让它做个网页， 在默认创建的任务中呢， mini max 也能写代码，但是想要效果更极致，可以到它的专家里面找一找。 在 mini max 的 专家模式下啊，提供了很多垂类场景深度优化之后的 agent。 如果说在普通模式中， mini max 大 部分任务都能做到八十分，在一个特定领域下的专家 agent 下，最后可能达到九十五甚至一百分的效果。我们找到落地页制作助手，这个专家啊，然后和他发起对话， 我们给他下载一个指令，分析本地的财报文件数据，然后制作一个精美的网页，来介绍阿里巴巴和腾讯两家公司在二零二五年 q 三的财务情况对比。 他首先提取并分析了两份财报的核心数据，然后定制了一份详细的编码计划。代码编辑完成之后呢，他还会对这个页面进行完整性的校验。然后啊，编辑完成了，他甚至还直接帮我们对网页进行了部署，提供了一个可以直接在线访问的 ul。 下面啊，我们打开网页看一下啊啊，首先啊，这个落地的效果非常不错啊，带了比较炫酷的粒子特效，下面还提供了非常直观的数据展示和流畅的动画交互的效果。 下面啊，我们来看一个更有意思的玩法。最近啊，这个 modbook 社区非常火啊，它号称是 ai 版的 ready 的 社区。在这个社区里面呢，是禁止人类发帖的，而是只允许 ai agent 直接相互交流。看这里面的 ai 们啊，聊得热火朝天啊，可能你也会手痒想进去发个帖， 但是呢，看一下教程，首先要部署 openclaw， 还要配置 api 签名，还要过反人类验证啊，太麻烦了，既然它是给 agent 设计的，那我们能不能让 minimax agent 替我们进去玩呢？于是啊，我用 minimax 创建了一个 modbook 运营专家。首先，我们回到 minimax 的 探索专家模块儿， 那这些专家呢，并不都是由官方发布的，任何人都可以定制自己的专家 agent， 你 不需要自己去编辑融长的提示词和复杂的配置，只需要告诉 minimax 你 的需求，它就会自动帮你生成专家的工作流，所需要的 mcp， sub agent 以及运行时的环境。 那我自己呢，也做了很多有意思的探索啊，比如说，我创建了一个 modbook 助手，它可以让你的 minimax agent 也能在 modbook 社区里面发帖和讨论。而我做的呢，只是把 modbook 的 注册流程，发帖规范和评论的互动逻辑为它， minimax 就 自动帮我创建出了这个专家 agent。 下面啊，我们就来演示一下如何让你的 mini max 也能玩转 modbook 社区。我们打开这个专家啊，这里它让你输入一个文件变量。那如果你已经有注册过的 modbook 账号呢，可以直接把它的 apikey 填到这里，就可以直接用这个专家来操作你这个账号啊，那如果还没有呢，就直接填个 empty 就 好了。 我们先让它注册一个新的账号 啊，然后它提示要我们给这个 agent 取个名字，还有一个简介，那这里我们随便起一个啊，就叫 easy data set agent。 然后啊，它成功帮我们注册了一个新的账号。这里啊，提示我们需要进入这个链接认证一下啊，才能成功发帖。我们打开这个链接，对于每一个新注册的 agent 呢， modbook 要求我们必须按照它的要求发布一条 twitter， 所以 至少你要有一个推特账号才能注册成功。 并且呢，每个账号只能在 modelbook 注册一个 agent， 我 们点击下面这个按钮啊，然后它就会自动跳转到 twitter 进行发帖。帖子发布成功之后呢，我们复制一下这条 twitter 的 地址，然后回到 modelbook 认证一下 你的 agent， 就 可以发帖了哎，然后我们点击这个链接，就可以看到我们 agent 的 主页地址了，然后我们告诉他已经认领，让他发布一个介绍 easy data 的 帖子， 然后啊，他验证了我们的账号状态没有问题，帖子发布成功了，那 modelbook 为了防止普通人类发帖呢，每次需要做一个复杂的数学题来验证你是真人还是 ai。 我们看到啊， mini max 自动帮我们完成了这个验证。帖子发布成功了，我们打开 modbook， 果然啊，看到了刚刚已经发布了这个帖子，因为打开的时候已经过了几分钟啊，这条帖子已经收到了五个赞还而且还收到了很多其他 agent 的 评论。 下面呢，我们也让他评论一下其他的数学题的验证啊，然后发布成功了， 我们打开这个帖子看一下啊，果然找到了我们这条评论。接下来呢，你就可以让你的 minimax agent 呢去自由玩转 modbook 社区了。 这个产品啊，我已经使用了将近一周了，由于篇幅的问题呢，还有很多好玩的案例没有办法展示给大家。下面啊，我就来说一下我的实际使用感受啊。 首先是优点啊，第一个就是门槛很低，无论你是技术小白还是自身开发，用自然语言就能控制电脑，让你直接体验原出法随的感觉。第二个呢，就是它真的是国产最佳品 t， 比起 cloud co work 等海外产品，它对中文语境、国内网站啊以及 windows 系统的支持是更丝滑的。 第三啊，就是模型比较好用啊，它现在搭载的是 mini max 的 二点一版本，这个呢，是 oppo， cola 都在推荐使用的模型，在编码能力以及工具调用上的表现是很能打的，另外啊，它的多模态能力也是非常强的。 第四呢，就是可玩性很高啊，任何人都可以通过自然语言创建你的领域专家，可以挖掘出非常多有意思的玩法。当然呢，这个产品也并不完美啊，它也有一些缺点。首先啊，就是速度上，在处理一些复杂任务的时候速度是比较慢的， 但是呢，胜在它能全自动后台运行，不需要你盯着，而且呢，你可以同时启动多个任务。第二个就是成本问题了，因为本地的任务呢，可能会调运到大量的工具，因为的消耗啊，肯定要比普通对话要烧的更快了。不 过呢，这也是这类 agent 的 通病啊，现在呢，我还找不到一个又便宜又能打的本地 agent。 好， 我们本期教程呢，就讲到这啊，如果本期对你有所帮助呢，希望得到一个免费的三连和关注，感谢大家，我们下期见！

朋友们，我的多模态股票 ai 分 析助手终于完成了纯 ai 开发，干了两个星期，废话不多说，给大家看看效果。这是仪表盘集成了系统的整个功能，我们可以对股票进行基本面和技术面的分析。比如在这里我们可以去输入股票名称， 我们输入完这个股票以后，点击这个分析之后，他会创建一个分析任务，在这里这个分析需要花点时间，我们稍后再来看。这个界面是一些大盘的数据统计， 这里是情绪分析以及市场强度趋势图，我们可以通过这个图来判断市场近期的情绪周期。这个界面是板块轮动统计，然后通过这个散点图， 我们可以看到近期比较活跃的板块，然后在轮动期的时候，我们可以去对这些热门题材的核心标的去进行一些 pc， 这个是任务分析页面， 然后的话这里就会有我们刚才输出的那份分析报告，里面会包含基本面分析，有公司的各种财务值，还会有继续面分析，会给到 压力位和支撑位这个样子。不过现在这份报告的话是单纯通过大模型输出的，没有任何的微调，肯定是没有任何的投资价值秘密的。这个界面是监听策略界面，现在已经有实现三种监听策略，我们可以对这些策略去添加个股， 比如说这个五日线更新策略，当监听的股票回价格回调至五日线的时候，会触发监听，然后会发送消息通知你的微信。当然我们的这个系统的话，也只是用来做学习分享，不构成投资建议的， 后续的话我们还会去建立知识库，对 ai 的 分析进行微调，现在的分析结果基本是不可信的，只有数据统计方面的话是会比较好用一点。

兄弟们，今天是大年初八，大 a 开始了，我给大家介绍一个现在火爆整个网络的超级智能体，而且这是一个开源项目，我给大家介绍一下来这个叫崔林 h 的 中文版， 它被称为 ai 股神的中文版，在短短的四天里面啊，就在 hapl 里面直接干到了十一 k 的 star， 就 每天早上七点，它自动把大 a 全市场的数据吃干抹净。鱼群情报板块轮动，技术面的这个分析，资金留下全维度的直接汇报到你的手机里面。最离谱的是 我拍一张板块的截图扔进去，他秒懂。然后这是所有主流大冒险，随便切，一键历史回测，一键精准买卖点，小白三分钟就部署完了。我现在每天喝着咖啡看着报告股票账户，你可以去想象一下，想每天睡觉呢，就知道今天干哪只。那么就在评论区打一个股神，我把链接甩给大家。

给大家普及一下三个月转型大模型需要达到的强度，只要你不是三分钟热度，从小白到大神真的不难。接下来告诉你一条最快的学习路线，照抄就行。第一阶段，此科基础，把 python 基础和简单的 api 调用吃透，这是大模型的基础。第二阶段，掌握两大核心框架和三大技能。 两大框架是 lanchang 和 lamb index， 一个用于构建 agent 逻辑框架，另一个用于构建外部数据，所以三大技能是指 rag agent 模型微调。这三项技能直接对应了当前 ai 岗位的核心需求，深入了解大模型应用场景，结合前面所学知识，做二到三个项目， 如智能电商、智能客服、股票分析，掌握这些足够让你胜任百分之九十以上的 ai 大 模型岗位。如果你还不知道从何开始，我这里整理了大模型学习路线以及配套视频教程，实战项目，留下学习直接抱走！

为什么散户总是跑不赢大机构呢？因为人家有二十四小时待命的量化团队和算力中心。但是现在呢？风向变了。 今天我就要教你用二零二六年最火的 open clock， 亲手捏出一个不睡觉没情绪只看数据的数字股评人。很多人以为 ai 选股就是问问 g p t。 错，那叫纸上谈兵。真正的 agent 必须像真人一样，能自己打开浏览器爬财报，能进雪球看情绪， 才能在本地 excel 算 pe。 这就是 open cloud native agent 的 能力，它不是在聊天，它是在干活。第一步，给 agent 找个二十四小时工位，从进入云官网的活动页面，进入全 站应用服务购买，选择亚太地区社区镜像，选择你需要的机型。第二步，进行 open cloud 快 速部署，包括如何自由切换到性价比更高的国产大模型。我们也全都整理好啦，想要的可以评论区留言哦。 七牛云今天也正式推出 a i a 阵的沙乡，为 a i a 阵打造的安全代码执行环境， 欢迎大家体验哦！最关键的一步，赋予灵魂。我们给这个 a 阵的起名叫马克斯，他是资深量化师，我们要给他进入两个核心技能，一个是实时行情 a p i， 一个是全网搜索，这样他既能看财报、硬数据，也能分析社交媒体的小道消息。 最后扫码接入 discord， 只要发条指令， marcus 就 会在七牛云的服务器里飞速运行，把美股和 a 股的分析报告发到你手机上，这才是二零二六年该有的炒股方式。 想让 ai 帮你打工，这套 marcus 全股 agent 的 完整 propped 和七牛云 opencloud 的 部署教程我都准备好了，评论区领取全套教程，记得点赞关注哦！

做调研还在手动复制来看这个黑科技，只需点一下运行， ai 就 会自动打开唯品会精准抓取你想要的商品评价，不管是翻译还是过滤，它都能自己搞定。 不用盯电脑，不用动手，数据采集就是这么简单高效。数据到手，直接投喂给 deepsea 林涛肯消耗几秒钟就能吐出深度分析报告。 消费者的吐槽好评， ai 帮你一眼看穿。最后一步，它会自动把报告存好，秒发到指定人员的邮箱。从采集、分析到汇报，全流程自动化，你只需要负责拿结果。这种班让 ai 去上，快来体验解放双手的感觉吧！

当你足够认知，你就不会再焦虑。现在是二月十九号的大年初三的十五点二十，当我们还在用付费的手机 app 的 时候， 使用 a i a 阵特，你已经完全可以自己给自己做一个属于自己的 app。 大家现在可以看到我刚才给自己生成了一个 app， 这个 app 现在是在我的网页端生成，给大家看一下，它的名字叫大了 studio 数据分析看板，它主要是根据我每日的抖音视频号，小红书的作品，然后把它能抓取到的所有数据投放进去，它会自动的分析出来。 我已经把我上一期的所有内容全部都发上去了，包括视频，包括抖音那些数据，所以这个地方分析，包括把我的所有的视频的内容全部都包含在里面，并且它也把我的口述的文字转化成了格式化的文字。这个地方就是我们的 所有屏幕当中他截取的视频关键帧，通过关键帧对整个的作品进行分析，这是我上传的呃，抖音的数据，大家可能看的不太清楚，总体的评分，现在他给我分析的是综合评分是七十二分，钩子是六十八分，内容七十八，节奏五十二，画质六十 c t a 是 五十五，还有我们的平台 适配八十五，所以这里边所有的数据改进优化的建议，所有的一切，你看视频节奏，文博率互动引导、文案准备，大家看到没有，所有内容都是 通过我们对于 ai 的 了解，掌握 agent 的 自动的生成和实现。最后一句话就是 有人说这是一种焦虑，但是我认为焦虑是产生在你没有认知的情况下，所以当你足够认知，你就不会再焦虑。祝各位朋友们抓紧时间学习起来。

今天来演示一下我的论文复现 agent 的 一个使用过程， 嗯，所以我是找了一个例子。那么在使用之前，需要大家到我的 github 主页上 paper replicate agent demo， 把它安装到本地，同时我这里已经是一个成功登录并且打开的 cloud code。 然后今天我们要来复现的论文是这篇 p n a s nexus 上的一篇关于唐佩奇制度对成年后影响的这样的一篇研究论文。然后这里我输入给 cloud 的是， i want to replicate results blah blah blah。 然后其实是告诉他，我已经把论文的 pdf 放进了 paper 这个文件夹中，然后把相对应的一个 啊，按例子的一个数据，其实并不是，就是一个比较粗糙的数据，并不是一一匹配的，然后放到了这个 data 这个文件夹中。此外还有一个很小的一个 txt 的 说明文件，有一些变量名的解释，帮助 cloud code agent 能够更好地理解。然后我的要求是请把这篇论文仔细地阅读，然后来用我提供的这个数据进行一个论文结果的一个复现 啊。那么输出的话，我要求是 agent 给我可以重复的 r code 以及一个质量的一个分析报告。 好，那么把这一段 prompt 输入进去以后，我们可以看到 cloud code agent 已经进入了一个计划，也就是这个 plan mode 啊，所以他在告诉我们也是自言自语，他要从开始阅读这个论文，然后对变量进行一个啊解释，同时来看一个我们已有的这个项目是什么样的一个情况 啊？那这一部分我们虽然在偷看，他在消耗，但是其实并不需要我们去做什么。 嗯，那么像我在这个 ripper 的 说明文件中提到的，所以这个 agent demo 相对还是一个比较起始粗糙的一个版本，也就是一个一点零的版本。 我给他初使的一个目标是来复现一些关于 ukulele bank 的 研究论文的结果， 嗯，所以如果你想用它来复现一些其他嗯，数据库的结果，嗯，更好的一个方式是你在最开始对它进行一个投喂啊，这里我们可以看到 a 阵的它其实是在， 嗯，回溯到了之前我在训练他的时候所用到的一个 ukb 论文的一个复现的一个 r code， 所以 当中其实是有一些关于变量 coding 处理的一个解释，所以他很聪明地要以此为基础，然后来分析这篇 pns nexus 上的文章。 在这里没有什么我们需要做的，所以我会把它调快一下速度， 迅速的走过去。中间根据你的 loadcode 的 设置的不同，有可能它的权限是不一样的，它也有可能会在中间问你我可不可以修改或者使用一些特定的程序。然后基本上这个时候我们就是点啊 e yes 就 可以了 啊，包括像这里他想要来调用 python， 那 么全都可以无脑地同意就可以了。然后或者是说你想不想要继续的时候， do you want to proceed 也是 yes 就 好了， 除非看到什么特别的鄙视，或者你有一些额外的一个想法的时候。 好，那这个过程其实我们的 a 证呢？还是在给我们出一个计划书啊？因为只要当我们是在这个 plan mode 的 情况下，它都会先给我们生成一个 呃，整体规划的一个 plan， 然后我们同意之后它才会继续的进行。那这里我我们今天的这个啊附件的 plan 就 已经给出了，可以看到，是啊， 根据我们的这篇 vanderberg e l 两千零五的论文，然后这里比较重要的一点是 a 阵呢，其实给我们列出了有哪些变量，我现在提供给他的 csv 文档里是包含的，然后有哪些是 not available 的 啊？我觉得这一点非常的重要啊，就是说， 嗯，它能够分辨出我们提供的现在版本的一个数据和论文原始版本中它要求的这些数据，这些变量的一个区别。那么我接下来如果想进一步更新的话，我其实可以把这些 missing 掉的变量给提供出来。 那这个尤其是对于 ukb 的 文档，这个整体的这个大的样本来说，因为它涉及的总的样本量，可能变量的数量可能超过几千甚至上万。 嗯，所以我们其实如果只是粗略的略读了一下这个论文的话，其实是，嗯，比较难以获取所有的变量信息，或者即使我们可以去获取，那这个手动过程也非常的长。 嗯，所以我们的 agent 呢，在这里它已经能够及时的识别出哪些变量是我们现在已经有的，然后哪些变量是现在的文档里还没有的，是一个呃，非常重要的点。 那这个我也计划在呃我的 paper replicate agent demo 二点零版本当中，呃，更新一个专门的模块，也就是说当第一次来进行复建的时候， 很多的情况就假设是说我现在完全没有数据的情况，然后让 agent 先生成一个 list， 当中包包含所有我们来复现现在这篇论文 所需要的所有的变量，比如说包括性别、年龄啊，一些特定的疾病的这个 啊，初初次的这个发生的日期等等这样的一系列的信息，然后把它形成一个列表 啊，那这样第一次返回给用户以后，那用户可以去啊，从他的这个数据库当中进行一个提取，然后接下来再进行一个，再再返回给我们的 agent， 让他来进行一个更全面、更周到的一个 啊，表格和图表的一个复现的一个工作啊。那这里，嗯，其实在我们同意 agent 进行一个复现以后， 那么现在的这个过程就是在我们啊认可它的工作模式，工作计划以后，它正式进入到一个论文的复现过程当中。 啊，那这里我又继续啊，变，变速到了五倍速啊。 嗯，因为还是一个 agent 在 进行复现的一个过程啊，那么它会根据我们刚才的一个计划，然后不同的步骤，嗯，尤其包括到后面它会涉及一些，嗯， r 代码的一个编辑和验证等等等等。 这边因为我告诉 agent 我 想要的是 r 代码，但如果你更习惯用 python 的 话，也可以在前面 具体的跟它说明你想要的一个形式。那么这边啊，我们可以看到 agent 它一直在要求一个 r 的一个权限，那是因为它，呃在写 r 代码的同时，然后会进行一个验证啊。好，这里其实我们可以看到 我们的 agent 已经生成了一些初步的结果，然后这个时候它再进行一个总体结果的一个验证，然后刊写一个质量报告。 这里 a 正给出了今天对原文表格 e， 也就是 table e panel a 的 一个复现结果的一个情况啊。我们可以看到，对于受教育年限，也就是这个 edu years 来讲， 在原文当中它是估计值是点估计值是零点一五七，然后在我们复现的结果当中，点估计值是零点一一一， 所以总体还是啊符合我们的一个预期的，也就是这里我所提供的 available 的 三个变量当中，有两个是经过我们的质量控制，是啊，通过就 pass 啊。那么对于身高来讲是有一个符号上的不同，但是因为二者全都并不是显著的，所以啊，这里我们也 觉得还 ok。 好， 那下面就是啊，我们人工来验证一下刚才 agent 给我们生成的这个 r 代码， 所以这个 r 代码我们打开后，上面也有一些比较清晰的注视，然后包括不同的这个模块和不同的这个，嗯， face， 比如说最开始是进行一些 package r 包的一个设置 啊，然后 face 一 的话是我们来加载我们的数据等等等等。 好，这边其实我们验证的主要是看他一个总体的一个可行性就会不会在哪一步报错啊，那么如果在运行的过程当中有报错也不是特别严重的问题啊，我们可以把这个报错的整个的这个记录 copy paste 进我们的 cloud code 当中，然后就直接用自然语言跟我们的 a 证的对话说，哎，你看我现在这里啊，有一个报错是怎么回事啊？那么它会 直接来进行一个纠错，并且和我们通常用叉 g， b， t 或者啊 kimi dipstick 不 同的是，因为它的权限很高，所以它能够在 啊不同的文件当中寻找这个错误的点，然后如果查到了错，它会自动的修正，所以我们可以把这个可以直接来再把一个它修正后的一个 r code 再来进行一个啊，试用就可以了。 好，那么在这里的话，我其实是把快速的把它给的每一个 or code 的 模块，然后来跑了一下，看有没有问题，然后这里其实是分别给出了三个 刚才 table 一 回归的一个结果，然后也有一个点估计值的一个汇总。好，呃，那么运行的还是非常的流畅，没有什么问题啊。然后在最后的话， 这个现在是 face 七，然后 face 八的话它会啊，也会直接把我们得到的结果进行一个保存成 csv 文件。 好，那么这个就是啊，如何在 安装了啊？ paper replicate agent demo 之后，你可以进行的一个啊自对自己论文的一个附件，论文的一个尝试，有什么问题欢迎再跟我交流，谢谢。

agent 从屁都不懂到成功转行，我是怎么做到的？首先你要做的第一件事就是轻松收藏夹里落灰的教程。按这个框架制定一个学习计划， 只要你是真心想学，不是三分钟热度，我就有信心花一个月让你从小白蜕变成能独立做项目的 agent 工程师。重点学习基础架构工具调用，上下文记忆以及多 agent 系统。第一周， 入门学习 agent 的 经典范式，了解 react 模式，学习 agent 的 自主规划思考，并且简单地基于 agent sdk 构建你的第一个 agent 的 应用。第二周，进阶学习工具调用，搞清楚 function calling skills mcp， 并且掌握封装的能力。 第三周，吃透上下文和记忆模块，结合 react 知识库，让 agent 生成更精准的答案。第四周，拓展学习多 agent 的 系统， 之前爆火的一人公司就离不开他，跟着这个节奏一个月你就能把技术接入实际业务中。最后，我把大模型知识点系统的整理成了学习路线和视频教程，不论是工作提升还是转行就业，这套内容都能帮你少走弯路。

兄弟们，你们每年花几千块买的 ai 股票软件，本质上就是在交智商税，给你推荐个股票，但从来不告诉你过去三年这个策略到底赚了多少，你敢中仓吗？你的自选股交易策略全在人家服务器上，安全吗？ 有更多功能得交钱。我在家领代码，干了个股票分析 app， 把这些坑全填了。他把资金流向图挂出来，谁在买谁在卖，一清二楚。看到立好消息想验证，他自动给你写分析报告，消息面资本面全覆盖。最狠的是回测功能，任何策略丢给他，他直接跑过去三年的历史数据， 赚了多少，最多亏多少？胜率怎么样？资金曲线上的每个买卖点都标好，别人给你推荐股票靠嘴说，我的 agent 直接用数据证明，少抓市场机会。他自动扫描符合条件的股票触发信号，具体日期全给你。谁在拉伸这只股票？机构游资？还是北上资金龙虎榜，直接告诉你答案。 不用你去翻半天数据，所有逻辑你能看到，本地部署数据在你电脑上，功能你自己说了算，还完全免费。 agent 时代来了，不会本地零代码玩，还在靠 ai 瞎猜？你的钱袋子会告诉你差距有多大。关注我，感受零代码实现 agent 自由的魅力。

这是一份九千多条的订单表，我说了句做份销售分析，它就自动生成全套图表，一篇公众号草稿，直接复制文本就能直接生成配图，这都是直接用 skill 做的，操作特别简单，你不用懂 skill， 甚至不用写一个字就能直接用它干活， 而且建好一次全团队都能用，换其他平台的 skill 粘贴进来，照样一键调用。接下来我教你具体怎么配置上让 ai 真正赋能公司的业务场景。 最近这个 skill 可以 说是 ai 圈最火的一件事情，那我们平台也在第一时间就支持了 skill 这个功能，但是很多小伙伴呢，还不知道怎么去玩，然后也没有一个完善的教程 来去讲解这一块它的一个能实现的一个功能。所以这一期呢，我们就先来讲一下 skill 它的一些核心的概念和在我们平台的一个基础使用是什么样子。 首先先说结论，就如果说二零二六年你必须要掌握一项 ai 技能，那它一定就是 skill。 可以 说在未来的相当长的一段时间内， skill 替代原有的提示词工程工作流已经是 基本上势不可挡的这么一个趋势。那总总结起来一句话来说，就是这个 agent skill 呢，它本质上是一个伪装成 markdown 的 工作流， 它里面可以将我们之前通过提示词工程 m c p 的 工具调用和 ig 能去实现的功能，通过简简单单的写一个 markdown 就 能够实现。所以我们先来看一下就是在传统传统的提示词工程 m c p 和 ig 这三个技术它的一些局限。然后我们再来看 skill 它到底解决了他们的一个什么问题，基本上就知道 skill 它是一个什么东西了。 首先我们来说一下这个提示词工程，提示词工程呢，相当于假设说我现在有很多我的一些知识，这些东西，我需要把它抛给 ai， 让它基于我的这些技友的一个知识去回答我的问题。这时候我的上下文里面 可能必须要把我的这些东西，假设你有一百万字，那你就要把这一百万字全部塞到这个提示词的上下文，这就引起了它的那个 token 的 一个 巨大的消耗。那你说，哎，我是不是可以把它放到那个知识库里面用 i g 去调用呢？ i g 它的劣势是什么呢？ i g 它的劣势就 i g 它在你的一个文档进行向量化的时候会进行分片，然后 ai 呢会从里面去针对性的去剪辑出来一段，那这个时候的这个逻辑的建立是建立在我的提问， 只是跟我文档里的某一个片段是有关系的，这个逻辑在本身很多的场景当中可以说都是不成立的。如果说我的一个提问只跟文档里的一段，那我还抛给你这么一大一段干什么？但是后面也出现了很多的 ig 的 技术 去能够在文档当中，比如说进行一些权威检讨等等这些技术，但是 ig 他 整个的一个项目实施的难度是很大的，必须要开发人员才能去做。 第三个是 m c p， m c p 呢？就是在很多场景下，这个工具他可能都成百上千上万个，那这么多工具，我们知道就在做开发的时候，他的这些工具全部都是作为一个上下文挂到那个整个的大模型的那个 历史记录里面，那你成百上千上万个工具的时候，这个上下文直接就炸了，这是工具调用它的问题，那同时 m c p， 它还有另外一个核心的问题，就是 m c p， 你 至少要自己去会能开发这个 m c p 的 工具， 也他也只是一个面向开发人员的工具。第四个还有工作流，就我们在很多场景当中，比如像扣子、 define 这一类的工作流，他将某一个流程进行编排，然后中间可能需要调用到 ig， 可能需要调用到那个工具。 但这类工作流他有个巨大的问题，就是你比如说我在 define 上的工作做的工作流，他是只能在 define 上去用的，然后你再去做 n 八 n， 或者你去 做扣子上的时候，你又需要去了解扣子这个平台它的使用，就像它的工作流必须依赖于这具体的一个平台才能去编排和创建以来前面的这几项技术。它存在的问题就是上下文爆炸， 然后解锁，结果不准确，只是面向开发人员，普通人员没有办法去维护这个工具等等这一系列的问题。那我们来看 scale 是 不是都解决了这些问题跟爆炸的问题。传统的情况下，我们再用提示词工程去解决很多呃， 去约束这个模型它的一些技能的时候，然后我们会采用提示词，这个时候就相当于我们给的模型实际上是一本书。而 scale 的 时候它可以用 很多的参考文档，我们可以看到这个 scale 它的一个目录结构里面的 reference 就是 参考文档，这个参考文档呢，它是具体的这本书，但是我们在 给到大模型的时候，只需要给到这本书的一个目录，也就是在我们的 scale 这个 md 的 这个核心指令文件里面，我们只需要制定，比如说当你遇到什么问题，你就去查这本书的第几页，那这就解决了一个 提示词爆炸的一个问题，它在促使的时候加载的那个提示词，它的 talk 消耗是非常小，所以核心的这个指令文件和 reference 这两个就相当于替代了原来的提示词工程和 ig， 也就是原来用提示词工程 ig 这两个做的事情，这两个在目前用这两个就能实现， 这是第一个，第二个，那工具调用这块呢？原来需要工具调用，就是我需要开发一个后端服务去作为一个工具提供出来的。这个时候我们可以看到在整个 skill 目录里面有一个叫 script 脚本，这个是可以替代原有的一些工具调用的。 就我比如说我要发一个请求，请求一个数据，比如我要去处理一个执行一段什么脚本或者代码，那这个地方在 script 里面是可以去实现的。这个 script 里面的一个脚本就相当于我们在 comui， 在 扣子，在 define 当中的一个节点 尽可能更高，就借助我们现在的很多 ai 的 扣顶，其实这部分的工作也是可以非常方便的去实现的。 我们来看一个简单的这个 scale， 它的一个 demo， 我 们可以看到它的这个 demo 里面我们有一些第一步做什么，第二步做什么， 那它其实就是一个为什么我们前面说它是伪装成 markdown 的 一个工作流，其实就在这里，就我们只需要用自然语言去描述，就跟你再去写一个文档一样，去给 ai 描述你要执行的一个步骤就 ok 了。 ok， 我 们理解了 skill 的 核心技能之后，那接下来在我们的平台上去使用 skill 去搭建一个 agent 出来，这个就是非常简单的。注意啊，这个 skill 它还是必须要依赖 agent 去 才能运行的。然后我们这里搭建一个什么呢？搭建一个最简单的就是因为在我们平台上他已经有了很多的这种纹身图啊，就是图纹身视频这一类的图像创作的应用。那我们现在就基于 skill 来搭建一个虚拟试穿的这么一个场景，但这个场景其实如果说不用，如果说在之前的 agent 里面其实也是非常方便的去实现的。那我们再看在应用 skill 来实现的时候，它有什么不同？ 在后台管理的智能体开发以及技能管理这里我们点击这个创建技能，可以看到弹出一个对话框，在这个对话框里面的技能的名称就相当于我们在前面看到的那个结构里面的 skill name， 就 等同于这个 skill name。 然后技能描述呢，就等同于在它这个 skill skill 点 markdown 里面写的 description， 它用于去描述这个 skill 具备什么样的能力。在你有多个 skill 给到一个 agent 的 时候，它就是根据这个技能描述去选择我到底要去读取哪一个技能，这是技能描述 技能指令，就相当于是我的这个 skill 点 markdown 里面的那个内容， 然后下面的引用文档就等同于在 scale 的 reference 里面的所有的参考文档 啊。这个是我们的这个创建技能，它跟标准的也就说 cloud 里面的那个技能它的一个对照关系，大概就是这样，这里创建技能支持两种啊，一种我们可以从既有的 啊， pdf， word markdown 或者 txt 的 文档直接上传上来，然后把它作为一个技能。那同时我们也可以从这里 直接通过创建空白的 markdown， 然后在里面从空白的 markdown 里面，然后自己去手写，在线去编辑，然后这样创建一个 reference， 也就是创建一个引用文档出来。那这边我们可以看到我这边的这个 demo 也会，到时候会分享给大家啊，就是大家可以拿着我这个 demo， 然后看这个 demo 它怎么去编辑里面的这个 reference 的 这个文档的 啊？基本上他这个里面就我们刚刚前面其实已经讲过了，他其实就跟你再去写一个参考文档一样的，你就要描述你完成这件事情，达到第一步干什么，第二步干什么，第三步干什么就可以了，而且尽可能的准确，就是你这里写的越准确， ai 他 在遵循你的任务去完成这件事情，就会执行的越 准确。然后我们这边的第一步呢是让他，然后我们这边的第一步是让他先去润色这个提示词，就是我要进行虚拟试穿他的提示词的整个的啊润色的过程。然后第二步是让他调用我们 后台内置的工具，就像我们平台上内置的这么大量的文本和图像生成的工具去生成 虚拟试穿的图，然后并且优先使用拉洛布拉拉这个模型啊，并且提示词的关键里面也写到了一些非常关键的一些内容， 到这一步结束技能就创建好了。那技能创建好了之后呢？我们这个技能它是不能直接使用的，就像前面我们讲到的，它必须要在 agent 去使用，所以我们还需要去创建一个智能体， 创建智能体咱就到这个智能体管理这个模块里面，然后点上面的创建智能体，然后创建智能体之后，我们可以看到在这个智能体的编排里面我们有这些参数，整整个的这边的功能跟扣子 大体上的核心功能是一样的，就我们可以给我们的整个智能体指定一个执行的模型，这个模型它要是支持工具调用的，然后我们这边地方还是像千问 plus 呀，像 cloud 这些都是比较优秀的工具调用的模型。 然后我们这边测试一个千万速度比较快，我们还是用千万 plus 来去测试，然后这里的技能就可以点这里的添加，然后我们可以看到我们所有的技能都在这里，然后我们可以选择一个，也可以选择多个技能给这个智能体，然后这里我们就选择我们刚刚创建的这个虚拟试穿这个智能体。 选完虚拟试穿智能体，我们点开这个高级设置，在高级设置里面我们看到有起用 mcp 工具这一个这个选项，就是说我要不要让这个智能体能够调用我后台的这些所有的 升图，然后升视频这一类的工具，然后这个地方我们把它起用，否则的话你的智能他他是没有这些工具的。然后系统提示词这边呢可以简单的写一下，如果我们的这个任务比较复杂的，这里可以去详细的一个填写，然后这样呢就相当于一个 最简单的智能体就创建完成了，然后我们点这里的发布给他一个啊智能体的名称，然后包括分类之后，然后点这个确认发布 发布之后整个智能体创建就完成了，然后我们这个时候就可以去看这个智能体它实际运行的时候如何去调用这个技能，去完成我们刚刚的这个任务的。 然后我们直接点这个智能体的这个卡片，就可以进入到这个智能体他的调用的一个窗口，我们简单的来上传一张服装，然后简单的写个提示词，让他来生成一个真人模特试穿的这么一个场景，然后我们来等待他的一个调用的 结果，我们可以看到中间我们可以看一下他的整个的调用步骤啊，然后我这中间我们可以看一下他先是会去读取技能， 然后再会根据你的技能描述去读取这里面需要用到哪个技能的详细的参考文，然后之后根据你参考文档里面的指示，然后一步一步的去 调用相关的工具也好，去执行相应的几种脚本也好。然后这个当然我们这里还没有涉及到执行脚本，只是一个最简单的就是去调用内部的工具来去进行深图这么一个简单的 agent， 其实我们可以看到他基本上就跑起来了，而且在最后的这个效果还是可以的，就是基本上的一个核心目的达到了， 这是一个最简单的智能题。当我们在这个里面可能也会有很多的，比如说我们可以看到他生成的这个画面结构还是比较偏简单。那我们 后面就会教大家如何再通过更多的工具的引入，以及我们这个技能文件把它写的 更好更详细，然后让 ai 它更能够把这个工作完成的更好。然后这是我们就是后面会继续推出下一期内容来去讲在 skill 它在我们平台上的一些高阶的应用。 好，今天的内容就先到这里，然后大家可以先在平台上去实际的操作和体验一下，这个体验的过程还是非常关键，那我们今天的内容就到这里了，好，谢谢大家。

agent 从屁都不懂到成功转行，我是怎么做到的？首先你要做的第一件事就是轻松收藏夹里落灰的教程。按这个框架制定一个学习计划， 只要你是真心想学，不是三分钟热度，我就有信心花一个月让你从小白蜕变成能独立做项目的 agent 工程师。重点学习基础架构工具调用，上下文记忆以及多 agent 系统。第一周， 入门学习 agent 的 经典范式，了解 react 模式，学习 agent 的 自主规划思考，并且简单地基于 agent sdk 构建你的第一个 agent 的 应用。第二周，进阶学习工具调用，搞清楚 function calling skills mcp， 并且掌握封装的能力。 第三周，吃透上下文和记忆模块，结合 react 知识库，让 agent 生成更精准的答案。第四周，拓展学习多 agent 的 系统， 之前爆火的一人公司就离不开他，跟着这个节奏一个月你就能把技术接入实际业务中。最后，我把大模型知识点系统的整理成了学习路线和视频教程，不论是工作提升还是转行就业，这套内容都能帮你少走弯路。

这个春节期间，我用了大概五天时间，做了一个很早前就想做的 ai agent， 即使用 ai 对 数据库的数据做分析、清洗和展示。产生这个想法是因为目前 ai 编程能力已经很强了，而数据分析与展示本来就是程序运行后的结果， 基本上就是通过数据筛选、数据清洗、数据分析，然后用表格、图表、地图等方式展示。 开发这样一套系统往往需要数周至数月，成本也是几万到几十万不等。如果这些都可以让 ai 自动生成，可能两个小时就能做完，时间和成本都会大幅降低。在做这个 a 阵的之前，我先跟 ai 沟通了很多关于产品架构的问题。 不得不说， ai 真的 是一个很好的产品助理，从产品的商业化方案，到产品的每一处细节的设计，它都可以帮你理成思路， 比如多 a 阵，协助上下文工程、数据安全方案、 m c p 工具等。甚至我通过 ai 给我的思路总结出一份比较详细的 p、 r d， 让 ai 编程工具帮我生成一份基础架构的代码，然后逐步完善产品的功能和细节。 接下来是个简单的演示，先连接数据库，这里我用的是一个测试数据库，跳过输入过程， ok， 现在数据库已经连接。连接数据库后会自动分析数据表的信息，理解表的功能和字段含义。我们让 ai 帮我生成一个去年的维修订单信息，并生成折现图。 好的，现在 ai 开始分析用户意图，当判定为当前数据库内容，做数据分析后，执行对应工作流， 然后是任务规划分析，这里其实还是意图分析，不过是工作流中的意图分析。前面一步，意图分析是决定执行哪个工作流，然后是 cclip 语句生成、数据查询和可式化生成。 同样，我们也可以生成其他的图标，比如柱状图、丙图、表格、地图标注等。这里我们直接查看生成结果。 在没有准确提示词的情况下，表格展示的内容是 ai 认为重要的字段，并不是所有字段都展示。当然，这里还有个问题是状态字段没有转化为对应的汉字，原因可能是表字段的描述不够详细，也可能是 ai 并没有做这方面的语义分析。 目前还只有这一个工作流还可以编排更多的工作流，比如生成持久化的数据大屏，还可以接入更多的 m、 c、 p 工具和 skill 技能，做专业化业务的数据分析、多样化的展示效果等。