claude code数据分析教程
大家好，今天给大家分享一个我做的港美股的市场数据的 skill， 叫 global stock data 啊，它整合了五个数据源，十七个端点，全部都是零健全的，就是能直接使用的，不用 api 的 啊。开始之前先说一下，本内容仅为 ai 编程技术分享，不构成任何交易建议，市场有风险，决策需谨慎 啊，为什么要做这个？这核心一点还是粉丝们都在问我有没有港美股的，所以我就研究了一下，就把它封装成了一个技能。 呃，这个市场税主要是分散在五个不同的平台，然后东财这个规则也很复杂呃，雅虎这个健全流程也也也很麻烦，所以我就呃都测试了一下，然后封装成了这个技能。 七层的数据架构，行情 k 线，基本面，资金面齐全， s e c， 还有工具场，这些都是全的，然后五大的数据源全部都是零健全的，就是不需要 api， 也能直接登录获取，就大家接上 skill 就 能直接获取 十七个端点，就包括行情的三个， k 线两个，然后这个我就不一一念了，反正就是端点都是比较全面的，基本上都有后背的端点，但除了这个集权以外， 嗯，姐妹项目 a stock data 大家应该也都加载过了，然后是十天吧，一点五 k 的 star， 也感谢大家的支持，目前也我就加了这个 global stock data， 支持美式跟港式的，全市场覆盖了。目前 啊，为什么要用这个？就是啊，前面也讲了，就是五个数据源比较比较繁琐，然后我就封装成了一个，然后是零件全的，就是不需要 a p i 的， 需要需要 a p i 的 我都先给剔除了，大家有需要的话再提一些油，然后我再进行修正。 呃，最后再总结一下，就是这个仓库的名称 global stock data， 不 用记接口的，也不用管健全把这个仓库丢给你的 a 卷，你就可以拿到数据了。 ok， 今天分享到这，谢谢大家。
粉丝6.1万获赞9.1万
相关视频
00:46查看AI文稿AI文稿最强 ai cloud code 给我跑出了一个年化收益百分之二十三点五四的策略，这个策略也不是我的，它是我在别的地方看到视频实战干货，然后把这个视频丢给了 cloud code， 它给我整理了它的这个逻辑，然后根据我们数据库里面历史的数据去进行实战的回测， 回测出来的确有百分之二十三点五四。你看他这里一年交易了一千三百二十一次，然后的话他一共是有三个方案，这个 a 幺零二方案其实是最好的，他甚至帮我把这个 自动化扫描，扫描这个股票的网页都给做出来了，先模拟几天，如果说他真的稳定的话，就直接实战了，我就不模拟了。
202颓废.
01:38查看AI文稿AI文稿百分之九十的人用 cloud code 都只用了他一半的能力，如果你还把他当聊天框用，那真的亏了。真正拉开你和别人效率差距的，是他自带的这六个神级 skill。 我 把最适合新手的六个能力捋出来，每一个都是少加班的硬通 货。第一个 explore， 先让他摸清仓库文件结构、关键入口、业务炼录，一口气理顺。你不用自己翻半天目录，他先给你一张能用的地图。 第二个 code review， 代码写完不是结束，先让它审一遍，重复逻辑，边界问题明显，风险提前揪出来，很多坑在上线前就能被压掉。第三个，第八个，报错的时候别硬猜，把日制现象上下文丢给他，他会帮你把范围收窄，少走很多弯路。 第四个， test engineer， 别只改代码不补测试，让他顺手补单测补回归，至少你知道这次改动没有把别处撞坏。第五个， code simplifier， 如果一段代码已经绕到看不懂，就交给它重构，收掉，重复逻辑，把结构拉直，后面维护会轻松很多。第六个， dependency expert， 装包、升级、冲突、兼容，这些最烦的事，先让他判断，少差很多资料，也少踩很多版本坑。这六个 skill 不是 花架子，是 把 cloud code 从会聊变成真能干活的关键。但如果你是新手小白，往往最容易卡住的不是 skill 本身，而是环境配置太磨人，各种依赖报错，英文命令、版本冲突，有时候还没开始干活，人就先被劝退了。所以我专门做了这款 ai 工具箱，就是帮你更顺手的用 cloud code， 它也兼容 codex， 把这套流程一起打通，支持一键检测，环境自动不依赖，缺啥先帮你判断，少走很多弯路。 n p、 m 包和 skill 都能一键装，不用你再去到处找资源查文档，不用你翻文档，不用你到处查坑，国内就能直接用。想省掉这些配置麻烦的关注我，我把安装方式整理好了，方便你直接拿去用。
00:36查看AI文稿AI文稿二零二六年，你们一定一定要学会使用可劳克的，毫不夸张的说，用好它至少能让你的生产率翻二十倍，因为它的功能不仅仅是写代码，开发应用，我一直都把它当成通用 agent 在 用， 你可以用来写文章，做数据分析，甚至上整理报销发票，这样的繁琐需求都能用它一句话搞定。那么究竟该如何安装并熟练使用可劳克的？除了官方的文档，我最推荐的就是这份完全免费开源的可劳克的中文教程。 可以看到，从安装环境配置、如何使用国产大模型、平替基础使用指南到进阶实战技巧，写的非常详细，而且是全中文。我真的建议你们每个人都可以把它收藏起来，用起来，找不到的话可以跟我说。
3678艾克ai分享
01:34查看AI文稿AI文稿很多小白第一次用 cloud code， 都会一上来就让他直接写，但真正省时间的用法是先让 cloud code 把问题问清楚再开始动手。这个技能就叫 deep interview， 你 可以把它理解成 cloud code 里的提问搭档，专门帮新手把模糊想法一步一步问成清楚需求。 新手最容易卡住的地方不是 cloud code 不 够强，而是自己只说了一个大概。比如我想做个页面，我想修个 bug， 我 想做个自动化，但目标边界 完成标准都没讲清楚，这时候你让他直接执行，很容易做出来以后才发现方向不对，然后你一句一句补充 cloud code， 一 轮一轮重改，最后人也累， token 也浪费。 deep interview 的 好处就是他不会急着干活，他会先问你，你到底想达成什么，哪些地方不能动，用户是谁，最后什么结果才算完成。所以他对小白特别友好，因为你不需要一开始就把需求写得很专业，你只要说出大概，他就会带着你补细节、补场景、补限制，把需求慢慢聊完整。 问清楚以后，最适合接 raplin， deep interview 负责把问题问准， raplin 负责把事情排成步骤，告诉你先做什么再做什么。如果你是在看项目，查代码，判断一个问题为什么出现，就接 analyze， deep interview 先帮你锁定要查什么 analyze， 再去项目里找证据， 这样不容易越查越散。如果你已经报错了，就接第八个 deep interview， 先把现象附现条件最近改动，问全第八个，再去找真正的原因， 等问题真的问清楚了，再交给 excel execute 去实现，配合 test engineer 做验证，最后用 code review 收口。记住小白用 cloud code， 先别急着让他写，先用 deep interview 把问题问对。关注我，带你了解更多 ai 使用技巧。
00:48查看AI文稿AI文稿cloud code 刚刚干了一件极度离谱的事，他直接接通了全球一万七千多只股票的底层数据库，通过 m c p 协议，就像是给他桌上直接摆了一台直连华尔街的数据终端。三十多年的财务底稿， s e c 原档甚至加密货币的实施数据全在他手边，随叫随到。我们在终端里输入帮我分析英伟达这三年的财务数据。 不到三十秒，他直接给你打出五大硬核投研板块，从营收盈利穿透、利润分析，到资产负债扫描、现金流抵挡和多维估值建模。过去你要做这么一份分析，得先翻三年的财报，再把数据倒腾进 excel， 最后自己拉公式算适应率和 roe， 一 套下来怎么也得大半天。 建议大家千万别错过这个神器。金融市场的核心优势就是信息差，而现在， ai 正在把投研的门槛直接砸碎，技术负责狂飙，我负责让你看懂门道，咱们下期继续探索。
249ITer
02:51查看AI文稿AI文稿教大家用 clogcode 来控制浏览器，将网页数据保存为本地表格。首先进入 clogcode， 我 们先给他发送一个网页保存表格的指示文档，以防方向跑偏视频后面我会给大家看这个文档内容，然后输入对话内容，浏览器打开这个网页， 抓取电视剧排行榜数据，存至本地此目录表格中，点击确认后，它就开始工作了，预计等待时间一分钟，不想看 ai 过程的可以拉下进度条。 这个时候已经在本地保存好了表格，我们可以打开看一下， 可以对比下数据，完全没问题。 那么我们看一下指示文档说了什么。这个文档是我总结的，大家可以作为参考。核心原则就是数据在浏览器端完成全部处理，通过本地服务保存文件，不经过 l l m 对 话上下文， 然后抓取数据的逻辑式，优先看有没有 api， 如果没有，再解析大幕。 我们让大模型生成前端 js 代码，然后执行，将结果直接保存为本地的文件，结果数据不会传至大模型。 这样做的优点是爬取的数据不会快速占满大模型上下文，而且大模型的处理速度会变快很多。如果这个思路对你有所帮助，欢迎点赞收藏！
139力气强
05:12查看AI文稿AI文稿这是我用 ai 做的某个电商品牌抖音电商 gmv 下滑的诊断分析报告，所有的数据都是虚拟的数据，主要我们来看整体的一个分销框架，以及怎么样用 ai 来做数据分析。那 先给大家展示一下，首先它第一个给了一个诊断概览，这个诊断概览包括了现状在要，比如说一直 gmv 内容 g m 的 占比有多少？货货架上 g m v 占比多，每一个地方它环比变化大概是多少？ g m v 下滑的三个主要原因是什么？第二个 shift 呢？分析了直播间的沉浸效率，第三个 shift 分 析了短视频的效率，第四个 shift 分 析了商城的搜索以及商品卡的转化。最后一个它把陈列录放在了一起。同时还有一些细节，比如说我们要去提升 整体 gmb， 我 们要做哪些事情，以及对应带来的预期收益大概是什么样子的。整体的分析报告还是挺完整的，首先想要给大家讲的第一个事情就是 ai 可以 做非常深度的数据分析。然后第二个是它做出来的模板就是非常的好看，这个大家可以完全的交给他。 那我们要做的事情是什么？第一个就是要写好清晰的指令，我给大家看一下我的提示词，这个角色设定没有什么问题，就是你是一位抖音电商深度运营专家。第二个就是我们一定要跟 ai 讲 你的业务背景，那我跟他讲了说我们的用户是分成入会会员和普通买家，如果说要更深度的去分析的话，大家知道说抖音的用户是分成 a 一 到 a 五的，那像淘宝它还会分成 a i p l， 我这里因为只是想要简单的展示一下，所以我就比较粗的分成了入会会员和普通买家。然后第二个是产品体系，我我虚拟了一个咖啡品牌， 然后它包含了一个核心的爆品以及周琦购产品。这个大家就是根据你自己的业务类型，一定要告诉他你的业务类型、产品体系，比如说大部分电商产品可能会分成引流款、利润款等等。第三个购买路径，这个非常的重要，比如说刚刚大家看到这个 excel 里面，为什么它会分成 直播间的分析，然后又分成短视频的分析，又分成货架场。如果你没有告诉 ai 你 有这几个购买路径，他有可能是想不到要从这些地方去分析的。一开始比如说我很粗糙的去让他做一个分析的时候，他甚至都没有把 g m v 分 成内容场和货架场。 然后第四个是营销工具，讲我们日常会做的一些营销活动，这个业务背景要交代的多细，其实要跟你 觉得说有哪些数据是会影响到你的 gmv 的， 因为我今天是让他做一个 gmv 的 下降分析，我告诉他这个品牌的抖音官方旗舰店 gmv 已经连续两周出现下滑了， 这里要给他一些具体的数据。任务要求是，首先第一个让他给出三个以上 g m v 下滑的具体原因名称，然后含盖内容场和货架场。第二个是说明使用哪些核心指标或者数据维度可以去量化，所以大家会看到 他每一个分析都非常的有理有据。比如说这个直播间，他的核心问题是内容的吸引力下降，然后导致停留缩短，然后导致转化率崩盘，然后 g m v 具体下降的是负百分之八点五， 其实整体的就是发了一个这样的提示词给他，这个提示词还可以更加细致，比如说最好是告诉他每个地方 计算逻辑是怎么计算的。因为分析的粗以及分析的细的时候，你的公式其实是略有不一样的，如果我们没有告诉他，那他可能就会去取网络上一些比较宽泛的公式去计算。然后我再提示一下大家， ai 给的数据一定一定是要检查，我给大家看他第一版给的数据其实是有一些错误的， 这个是他第一个版本给我的，认真的去看的时候你就会发现有一个问题，就是比如说内容厂 gmv 加货架厂 gmv， 它加起来不等于百分之百， 他是把这三个加在一起等于百分之百了，在我的提示之下他又改了一下，所以就是他有时候会犯这种非常基础的错误。我觉得我们用 ai 做数据分析，第一个就是你可以减少一些做数据处理的过程， 第二个是你可以借鉴他给你的一些分析思路，但是呢具体的数据一定要复查一下，我们来看一下，我们可以从他的一些诊断结论以及优化建议得到了一些什么样的启发。 比如说像这个直播间，我们看核心指标，一个是支付转化率下跌，然后人均停留时长下跌，它的根音推送，第一个是主播的话术疲劳，第二个是排品节奏混乱，第三个是爆品库存不足被迫换品， 第四个是竞品直播间分流，然后这些都是预测，我们就可以去看有没有一些原因是我们没有想到的。然后他有一个优化建议，如果说是主播的话是疲劳，那我们就更换主播。然后如果说是排品节奏混乱，我们就可以恢复爆品排品， 我们还可以再继续的去问他，你是怎么样判断牌品节奏混乱的？用哪些数据去证明你的预测？就比如说人均停留时长，其实就可能可以证明说我们的主播是没有留住用户的， 或者说我们最近是不是换了主播，这里可能可以验证说我们不同主播之间他对用户的吸引力度不同等等。那今天的分享就到这里了。
26Suyee聊AI
02:39查看AI文稿AI文稿大家好，今天给大家分享 a stock p e g 啊，这个也是我开发的一个工具，主要是用于呃 ai 卷来分析每个标地的 p e g 的 情况 啊。开始之前我再简单说一下，就本内容仅为 ai 编程技术分享，不构成任何投资建议。股市有风险，投资需谨慎啊。首先说一下 pe 为什么是为什么这么重要，就是再说一下 pe 是 什么吧。 pe 呢，大家应该都理解，就是这个公司的市值，除以它的当年的利润，每年大概能多久能回来， 然后 pg 呢，就是用 pe 再除以它的引力的增速。那比如说这个某个老灯板块，它的 pe 呢，是四十，然后成长科技呢？是也是四十，但老灯板块呢，它的增速比较低嘛，五或者八， 然后成长科技是五十，那他明年他的 pe 可能就会变成二十、三十，那大家会现在已经 price e 呢？变成四十了，但是大家其实买它，现在是买成长是 ok 的， 因为它明年就会消耗到二十，那后年就会消耗到十。所以看 pe 这个指标其实很重要，所以不要看 这个 pe， pe 没有什么太多的意义，就是他今年是四十，如果他增速不够的话，明年还是四十，那买起来就没有太多意义了，要看这个 pe 本身。 但 p g 算出来之后，你还是要横向对比你本身的行业，他所在的这个呃水平就是标地在行业的水平，这个也是很重要的，要要横向对比一下。 呃，这套系统呢？对 p g 分 成了五档啊，就是极度低估，相对低估，合理偏高，高估，碰到高估啊，或者偏高这种就就算就算算 㞗 了吧。 然后三个数据源，数据源我是按 a stock data 的 数据源给也给加进去了，都是实时的数据源， a i a 卷抓取之后就能进行 p g 的 计算跟分析， 七个维度的分析报告呢，是 a i a 卷呢，它会对啊，你给的这个标地呢，进行七个维度的一个评估，第一个是估值，然后成长性的评估，盈利质量，行业行业对比，然后财务健康，风险提示，还有这个最终的建议不构成最终的投资建议啊。 然后这个工具呢，它有三个数据源啊，这个模块我就不说了，反正这是我自己用的，把它给摘出来了给大家，所以我觉得还是比较好的，因为 中长期的一个方式方法能战胜大多数的量化的机构吧。然后技术的总览呢，就是行业数据啊，已经我已经调试好了，然后行业的监测，这个也是数据源，这几个数据源我都是调试好的。然后 ai 引擎呢，大家把 api 接上就可以用了， 然后前段我也做了个 u i 页面，直接可以打开前段就能使用啊， ok， 今天的分享到这里，谢谢大家。
356Simon林
01:50查看AI文稿AI文稿如果你现在用 cloud code 只会一句一句发需求，那我建议你先别急着让它写代码，因为你可能不是不会用 ai， 而是根本没把它的隐藏能力打开。这期直接讲六个很多新手没打开的核心能力。开完以后， cloud code 才不是一个临时帮你写代码的聊天框，而是一个能长期配合你的开发搭档。 第一个项目，记忆入口名叫 innit， 很多人每次开新绘画都要重新解释技术栈、目录结构和代码风格。 innit 的 价值 就是让 cloud code 生成 cloud md 这种项目，说明先认识你的项目，再开始干活。第二个， play mode。 新手最容易犯的错就是还没想清楚就让 ai 直接改代码。 play mode 的 意义是先让它读项目，拆方案，判断风险，再进入执行。第三个 compact， 压缩上下文，绘画异常， ai 很 容易被前面的信息冲淡，越聊越散。 compact 就 像给对话做一次整理，把真正重要的方案接口和未完成任务留下来。 第四个，自定义命令，官方叫 custom slash commands。 很多人每天都在重复输入同一类提示词，比如代码审查、提交总结、性能检查。它的价值 是把常用提示词沉淀成自己的自定义命令，命令以后随时赋用成工作流。第五个， sub agents。 复杂项目不要总让一个 ai 绘画硬扛所有事情，它的关键是分工，主绘画统统方向， the agent 分 别负责审查、排错、测试和文档。第六个 hoops， 这个能力很多新手完全没碰过，但它决定了 cloud code 能不能守流程。你可以把它理解成自动质检员，改完代码以后提醒检查 结束任务前提醒验证结果。所以真正拉开差距的不是会不会问一句帮我写代码，而是你有没有把 cloud code 配成稳定工作流，项目记忆解决重复沟通 play mode 解决乱改压缩上下文解决跑偏自定义命令解决重复提示词 sub agents 解决分工 hooks 解决交付质量这六个能力建议收藏起来慢慢吃透。关注我，后面继续把 cloud code 的 高阶玩法拆给你看。
4.9万阿森编程日记（AI自动化）
03:28查看AI文稿AI文稿大家好，今天给大家分享一个我改造的仓库啊，我是基于之前分享的 trading agents 这个六十五 k star 的 仓库进行了改造啊，改造完之后它就能够适配我们大 a 的 投研的分析， 这个是全称 trading agents a stock， 有 七位分析师，有多空的辩论，还有风控的决策。开始之前我再说一下，本内容仅为 ai 编程技术分享，不构成任何投资建议，不是有风险，投资需谨慎。 呃，原版的框架有三个不太适合的问题，首先是数据是不通的，他走的是雅虎 finance， a 股的数据是拿不到的。第二个是规则，呃，他还是 t 加零，没有我们大 a 的 规则。 然后第三个是角色的缺失，就是他只有四个角色，他缺乏我们，呃，大 a 对 这个政策面，还有这个油资啊之类的这些解读， 所以我对这三个维度进行了呃，深入的改造。首先是角色层面，就是它原版的这个 agent， 呃，确定 agents， 它有四个角色，技术与情，呃，与情分析，新闻还有基本面 啊，我增加了政策分析，就是我们大 a 的 一些产业政策，监管政策，然后还有油资的追踪，就是龙虎榜大单这些，然后还有解禁的监控，就大股东解禁，就是做了一些 a 股特色化的一些 a 卷的新增，增加了这三个， 然后决策的炼炉，我没有进行改造啊，就是还是七个分析师，呃，出报告， 然后但是我加了一个要质量门控的自动检查，就是对其一个分析师的报告进行一个质量的检查，因为他原版的这个产品，他出了四个报告之后就没有人检查的，然后就直接就到辩论了，但我觉得报告的质量是下面辩论的这个基础， 所以我就加了一个质量门控，会有一个这个质量检查的环节，如果质量不过关，要打回去让他们重新写。呃，第一层是分析报告，第二层是投研的辩论，第三个是风控的一个辩论，最后是最终的决策 啊。我对这个数据源也进行了更新，大家都知道我的那个 a stock data 啊的数据源，我都把它给接进去了，就是数据都是直连的，包括这个 k 线啊，这个适应率这些，还有新闻、现场，财经这些都连进去了。 呃，能力方面就是开开箱即用，大家把这个确定 ags stock 给到你的 ag， 他 就会用了啊。七个分析师，有七个数据员，还有五档的评分，然后我还加了一个外部 ui， 就是 原版式的 ui， 可能比 较简陋一些吧。我也给自己做了一个 ui 给大家用啊，有输入代码之后，它就能进行十二个阶段的进度的推演，然后最后导出一个 pdf 模型，都是支持的，接 api 就 可以了。 ok， 最后做个总结，就是这个仓库就叫这个名字啊，大家去记下来就好了。然后分析师有七个分析师 啊，数据员有这么多，就我都整合完了，都是指点 a p i 的， 然后辩论环节有这个，多空有这个，最终这个激进保守中立的风控啊。第三角色这个就不说了，特色呢是全开源的，全免费的。呃， tapp 上有个 cn 版本，他们这个前端那些不是全开源的，然后我这个，我这个改造的版本是基于原版改造，而且是全开源全免费的啊，也是没有 apikey 的 啊。这个写错了，这个可能跑不了，但大家去把那个仓库交给你的 a 卷就可以了。 ok， 今天的分享到这，谢谢大家。
1722Simon林
02:48查看AI文稿AI文稿大家好，今天给大家分享用 cloudcode 搭建大而稳定的数据源啊。这个仓库叫 a stock data， 他 上线七天，拿了一千一百个 star， 一 共有七层架构，二十八个端点，还有十三个数据源。开始之前我强调一下，本内容仅为 ai 编程技术分享，不构成任何投资建议，股市有风险，投资需谨慎。 呃，数据源其实一共有三个坑啊，一个是嗯 money 的 问题，就是有积分墙，像 to share， 它需要付钱才能用 啊，免费的它也能，但是就端口很少，没不咋好用啊。然后还有个封 ip， 就是 aikir， 百分之四十五的请求是指向东财，它会封 ip。 然后第三还有停更，有一些数据员他已经停更了。呃，这个 a stock data， 它的解法是把这些数据库都给拆解了，植圆了，植连了源头的 api， 就 没有这些 aikir 这些的中间依赖 a stock data 呢，它一共分为七层的数据，行情、研报、信号、资金、新闻、基础数据公告啊，公告就是巨潮，这个就不用提了。然后还有这个通达讯，行情层是通达讯加腾讯财经，加百度 k 线 啊，还有一个这个信号信号，这个大家可能会比较关心题材的归音，就是为什么强势的题材归音，这个大家应该懂啊。然后还有这个龙虎榜，还有解禁，还有行业。然后这个研报层是东财，东财的一些研报，然后艾文才这个也能有研报的搜索， 所以总的加起来，这七个层面的数据是应该是够肯定够大家用了啊。这财报在这个基础的数据层，这都是免费的，全部都是免费的。 信号城呢，刚才也讲了一下，它不只有涨跌浮榜，就是还有好多东西，就题材的归因，涨跌的这个，这个涨封封顶的归因，然后各股的资金呢，还有这个龙虎榜的席位，全市场的龙虎榜， 然后还有行业排名啊这些，呃，资金层面呢，还有一些筹码层面的数据，都是有接口可以接的。 呃，总结一下呢，就是这个 skill a stock data， 它 excel 搞定了七层架构，二十八个端点，还有十三个数据员， 嗯，总的来说它其实只需要一个 api key， 就是 爱问财那个也是呃，免米的。然后总结一下最终的方案，就是行情层用 通大讯、腾讯财经、百度 k 线研报用这几个，然后信号用这些，就这这些其实语言大家也都能找得到，大家也能自己去封装，但是这个 skill 就 它已经都封装好了， 所以大家就可以去研究一下，可以使用七天一千一百个 star， 还是挺快的。好，我的分享到这，谢谢大家。
4936Simon林
01:35查看AI文稿AI文稿很多老股民都知道啊， a 股有一个谣传，每逢周四大盘就下跌，那么我们可不可以设计一个策略，选定一个紧跟大盘的指数基金，每周三我就卖出去，每周四我再买进来，是不是这个策略就能挣大钱呢？哎，这就是一个典型的量化策略，今天我带你用五分钟把这个策略给搭出来。以前啊，我们想做这样的一个验证， 你必须得学 python， 你 必须学 pandas， 然后自己去搭回测系统，还得去爬历史数据。这些事情对于咱们 普通的散户来说，实在是没办法去做。今天呢，我用 cloud code， 我 只需要跟他说一句话，帮我验证 a 股的 黑色星期四效应。选定这只指数基金，每周三卖出，每周四买入，用历史数据回测，最后画一个收益曲线图，然后一回车，他就开始干活了，他先检查文件夹里边这个策略是不是已经存在了，有没有数据，如果没有数据，就自己去 a、 k、 c、 r 上面去下载数据。 接下来就是写回测和出报告的拍摄程序。代码写完了以后，它自动去运行，生成回测的曲线图，如果遇到错误，它还会自己去检查和修复。我们来看一下它的结论啊，它用二零一二年五月二十八号到二六年的四月三十号之间的三千三百八十四个交易日的数据进行了回 测。回测显示，黑色星期四效应明显减弱，整个这个过程大家可以看一下哈，一共四分三十八秒， 代码写好了，数据下载完毕，回车也跑完了，最后图也有了，结论也有了，整个过程全程不需要我写一行代码，你只需要一台电脑装好 cloud code， 你 就可以实现你自己的量化策略。关注我，带你走进量化的世界。
02:44查看AI文稿AI文稿如果一个高手用 ai 开发的水平是九十分，那么这个人至少是九百分，因为他就是 cloud code 的 创造者 boris charney。 最近， boris 接受了一场采访， 里面分享了很多他自己使用 codecode 的 真实技巧。说实话，看完后我最大的感受就是我们很多人还在把 codecode codex 当做一个开发工具，但在他手里， codecode 已经变成了一整支 ai 开发团队。所以这期视频我想重点拆解他最值得普通人学习的三个用法， 看完后你的 web coding 功力定会大涨。先说第一个技巧，不要只开一个 ai 窗口，要并行开多个任务。 boris 说，他现在很多工作都是直接在手机上完成 的。他打开 cloud app， 左边有一个 code 标签页，里面会同时跑很多个绘画，通常至少有五到十个，而每个绘画里又有一堆的 a 件在干活儿。采访里，他甚至说，白天可能有几百个 a 件在跑， 晚上会有几千个 agents 做更深层的工作，比如一些 agent 负责修 bug， 一 些 agent 负责写测试，一些负责改前端，一些负责查看用户的反馈等等。听起来很夸张，但这就是当你不再为 token 费用担忧时能做的事情。 第二个技巧是他特别推荐的用 loop 让 ai 循环干活。 boris 说，他现在越来越多地使用 loop 这个东西，可以理解成让 cloud code 定时执行任务，比如每分钟跑一次，每天跑一次。 他自己举了几个例子，一个路普专门盯着他的代码任务，哪里报错了他自动去修，如果项目更新了，他就自动去同步。 另一个路普会持续检查整个项目的运行状态，确保不会宕机。还有一个路普，每三十分钟抓一次推特上的用户反馈，然后自动帮他分类整理。 有了这种定时任务，你就可以持续让 ai 自动优化和迭代你的想法了。第三个技巧，让 ai 自己验证结果。 boris 在 采访里反复提到一个思路， ai 不 能只是写完就完了，他还要跑测试发现错误持续修正。也就是说，你要给 ai 一个反馈必还。这也是很多人用 ai 编程效果特别差的原因， 很多人只会说，帮我写一个功能，到底什么才算真正完成了，其实并没有讲清楚。更好的做法是，你要让 ai 自己运行测试，检查报错，修复问题。 更重要的是提前把验收标准清晰的告诉他。比如页面最后要长什么样，功能必须做到什么程度，哪些地方绝对不能出错。 因为很多时候 ai 不是 不会写，而是不知道你真正想要的结果是什么。好了，以上就是 cloud code 的 创造者亲自分享的三个用法，赶紧用起来吧！我是阿朱，关注我，让我们一起在 ai 潮头冲浪！
208阿朱星际漫步
01:47查看AI文稿AI文稿现在但凡你看见了一个知识，其实你就已经掌握了这个知识。我举个例子，其实我在小红书上看到一篇教大家怎么样一键快速启动 cloud code 的 呃，这个教程我觉得非常有用，我要用，但是 呃要获取这个完整的教程，还需要加这个博主的群，然后他的群一时间又没有通过，于是 我直接把他的视频内容给到 cloud code， 我 让他来去呃，帮我去按照这个设置一下，完了之后 c c 根据他的视频内容给了我一个完整的教程，说要怎么样去一步一步设置等等之类的。 我试了一会儿，我觉得好麻烦哦，我就直接跟他说，我说太麻烦了，我不会，你能不能直接帮我设置， 然后他操作操作操作他就自己搞定了，这样我意识到很多时候 ai 其实是可以自己操作的，但是他可他的第一反应以及他大量的训练的语料可能是，哎，我先给这个用户一个教程，所以 完了之后我又跟他说，以后你遇到可以直接操作的都直接帮我操作，而不是写教程，把这个存在他的呃 cloud code 的 md 文档里 以后，它就能够直接这样进行。我觉得这个例子给我们呃的很多启发啊。第一个，现在你但凡能够看见一个教程，你其实就掌握了这个教程，你只需要把你甚至都不需要自己去学习，你只需要把这个教程给到呃 ai 给到 cloud code， 它就能够自己去执行了。 第二，你让 ai 自己去执行，而不是让它给你一个教程，你还要去一步一步的搞。第三个，把这个写在它的最高的这个 cloud code 的 m d 文档里，让它以后一直都按照这个标准去执行。你想想这一层层的走下来，会让你的整个的效率能力都拓展非常非常多。
966瑶瑶（多agent版）
04:29查看AI文稿AI文稿大家好，今天给大家分享一个投研体系的仓库，叫 a k share， 他 在 github 上拿了十八万颗星。呃，开始之前我先强调一下，这个视频是纯开源工具的教学分享啊，没有任何投资的推荐，也没有行情的分析，仅供技术学习参考。 ok， 我 们现在开始整个 ak 社呢，它有六个大板块，然后第一个是研报的数据，然后第二个是基本面财报，然后第三个是资金流向 啊，第第四个是这个，嗯，这个我就不说了，然后第五个是实时的一些数据，然后第六个是宏观的，经济的数据。 ak share 呢，它是它其实是一个拍省的仓库，然后有五百多个数据的接口，全部都是免费的，不需要 apapikey， 所以 这个很重要，就是 我们去获，直接装加载登录到本地，直接去获取数据就行了，不需要任何 apikey， 这个非常的便捷，非常的好用。然后研报数据这一块呢，它有很多，真的你直接去用它的接口去接，接完之后你搜下来都是各大券商写的这个 pdf 的， 就是那种， 嗯，可能平时要要米的那些详细的研报都是 pdf 版本的啊，基本面财报，这个就是每定期发布的一些财报，还有一些这些财务数据嘛，这个是肯定是正常都能获得的啊，最近留香呢，就是北向啊这些主力这些之类的。 然后第四个这个我就我感觉可能敏感了，我就不说了，反正大家看一下。然后这个是一个实时的数据啊，全球的都有就是。嗯，香港的，美国的，就是这些，都有宏观数据啊，就是大家肯定要分析一些因子的话，也可以用借这个宏观数据， 还是在强调下，它全部都是免这个，这个不要米的，然后无需 api 的， 直接当下就能用。呃，我下，接下来我分享一下就是这个多 a 卷的一个投影的框架，就是普通的做法，其实是什么呢？就是我们把这个库给了这个， 呃，给了我们的 a 卷之后，我们的 ai 之后， ai 就 会去接这个库，然后把这些东西就是研报啊、财报啊，统一分析资金，把它给当下来，然后它就自己开始分析了。但其实这个过程中呢，其实可能会有一些问题，因为他在一个 a 卷把这些这些报告全都分析完之后，他可能有 他可能有些倾向性的，比如说他看了研报，他就他研报里面有些财务数据，他可能就不看这个了，但你得知道就是研报他的时间是早的，他可能是呃去年的， 他看了去年呢，看了一个 pe 的 倍数，他觉得 ok， 就 这个倍数，但他没有去查财报，没有去核对，因为财报可能是最新的，然后铜业的情况可能是最新的，资金流向可能也是最新的，就是研报里可能有些观点误导了后面这三个。所以 呃，最合理的方式还是要多 a 卷，多 a 卷就一个去看研报，一个去看财报，一个看铜业，一个看资金，这样去分配工作，然后主 a 卷，再综合他们的这些判断来进行一个分析就 ok 了。 你想有四个分析是呃研报的 a 卷，机构怎么看这个，嗯，标的，怎么看这个标的啊？然后你就可以让他去看看机构的观点是什么。机构的观点其实也挺重要的， 包括这个最新的财报是个什么情况，他也可以去分析数据。然后第三个就是到同业啊，同业是不是有一些增速比较快的去，可能会替代他啊？有，有没有竞争者？第四个是这个，嗯，这个敏感的走向， 因为他们四个本身是不通气的，所以他们都有各自的结论，各自的结论出来之后，然后主 a 卷就会去看他的矛盾点在哪里，然后再去分析，所以这个是很有用的，就是单 a 卷呢，他就会串啊，数据混在一起就会很乱，单一的逻辑推理电路，然后多 a 卷他就能并行， 每个 a 卷专注自己的模块，然后有独立的判断，然后暴露出矛盾，然后接下来如果弄完了有问题了，你可以再放萨博一卷去分析 啊。总的来说我今天讲的比较快，大概就是分享这些，因为这个数据他的量很大，然后你们就可以接，接了之后去匹配你们的模式进行一些分析跟操作。你像我就做了一个 u i， 就是 我，我感兴趣的把它的数据提炼出来， 每个板块都是长什么样的，现在大概是什么风味的水平，值不值得去关注，大概就是这些思路吧。啊，今天就先分享这些，感谢大家，谢谢。
1290Simon林
02:01查看AI文稿AI文稿大家好，今天给大家分享大 a 稳定的数据源的 skill 啊，它叫 a stock data， 上线了一天已经拿了一百个 star 了， 然后它有六层的数据，也就行情层，研报层信号啊，就是某些强烈信号，然后公告基础数据就是财务的啊，新闻的，然后它把这些都封装在一个 skill 里面了，你想调取什么跟你的 a 卷说就行了，而且都是不要米的，免费的。 然后我一个个模块来，稍微简单说一下，就是行情层，就是日周月分动级的 k 线啊，包括五档盘口，然后还有实时的报价， pe， pb 啊，这些都是大家常用的，总是值，换手率这些就比较常用的一些数据。 好。第二个是研报，研报也是比较厉害的，它能够把 pdf 搞定，直接下载东财的呃的的渠道去下的这个接口，然后剩下的就是其他的一些，然后这个艾问才呢，它是能搜索研报的呃，也建议大家去使用一下，它有个 skill hub。 那第三个是信号层，信号层就很多了啊，有很多朋友可能有这方面的需求，这个动物榜，然后这个北向资金，然后这个第一个就是这个当当日强势股的归因，为什么这么强势啊？这些是数据源，这个都整合进去了，在这个信号层的接口里面， 然后模块四五六呢，分别是新闻，基础数据，还有公告。新闻层就是只有这个财联社的接口，还有这个各股还有全球的资讯，这两个是各股跟全球市通才的接口。 然后基础数据呢，就是财报的一些，还有 f 十的一些数据公告呢，这个就是巨潮的接口的公告，这个就平时看到 pdf 版本的那个公告， 数据源我就不念了，大家可以稍微看一下就行了，就是从这些数据源里面整合出来啊，这个 pdf 这里给做错了。最后呢总结一下，这个就是这个仓库的名称，然后也欢迎大家多多关注啊，你们的关注点赞、收藏是我继续开发的动力啊，谢谢大家。
1.2万Simon林的日常
04:00查看AI文稿AI文稿第四个案例是一个叫做快速理解和改造开业项目，去看一下他有没有一些高危漏洞，比如说我们直接拿了这个项目复制一下这个项目名 称啊。嗯，分析当前工作目录项项目是否存在安全 漏洞啊？先先来一把分析，看一下这个开源项目能不能用，然后大家看，你看他现在在分析了，检查依赖包安全漏洞，分析代码的一个安全问题，检查配置文件安全设置，生成安全分析报告。 但这个过程可能会比较久啊，因为他要把一些依赖商的全部都分析一遍，你看他分析到一些 j w、 t 的 一些实线啊，因为这个是用户授权托管有关的，很容易就出现一些安全漏洞了啊， 所以他要重点去分析一下这个，包括一些 security 安全的一些配置啊，整个一个有没有一些什么风险啊？那现在开始去生成完整的分析报告了啊，我们看一下这个报告到底做的怎么样啊？ 高风险三个，中风险四个，低风险两个。第三个，这高风险就是硬编码密钥，弱密码访问控制中风险就是依赖漏洞配置不当。低风险日制配置跟 c o r s 跨域的一些配置，整体评级的话中等风险。你看他把风险放到哪里呢？你看首先认证授权这些配置啊，他把问题都识别出来了。 项目概述啊，分析报告，项目概述，前后端分离架构安全的漏洞，高风险漏洞，硬编码啊，你看这里面把落密码全部飞到这个里面去，很容易被破解， 而且还是简单字母的一个序列啊。 a、 b、 c、 d、 e、 f g 有 规则的数据库默认密码默认比较弱是吧？然后这个一些监控面板安全配置不当，比如说允许任意 ip 访问， 以及这个依赖版本存在已知漏洞，存在一些比如说叉 s s 攻击的一些漏洞，叉 s s 防护配置不正确，然后这个路径已经被排除掉了。还有 swag 中在生产环境起用，生产环境应该要禁用掉， 以及这个日制的级别的一个配置 bug 的 这种级别 c o r s 的 一些配置，还有以及切换 j w t。 密钥， 那依赖升级就是我们把版本给升级一下。啊，那配置优化相关的开关，该关的得关一下，安全加固，使用 supreme security 实现 j w t 认证， j w t 密钥需要加强， 然后实现叉 s s 过滤器，完善一些过滤规则，使用参数化查询，防止 sql 注入以及无状态的 j w t 令牌管理， 令牌过期机制， release 存储会话信息，数据保护密码， b crap 加密等等。敏感配置的话需要加密存储数据脱敏，风险评估，这些东西都要给它配好。
30看了就会
18:27查看AI文稿AI文稿这期视频打工人必看 ai 做数据分析，这是我们在企业 ai 培训过程中遇到的最高频的需求之一，本期干货非常多，建议你来点赞收藏。 你有没有一张 excel 表格扔给 ai， 然后它生成了一份看起来非常专业的分析报告，图表漂亮，结论清晰，洞察深入。但是你有没有想过，这份报告里面的数字是真的算出来的，还是编出来的？ 可能是 ai 应用领域我觉得最难肯，但也是企业最高频的痛点之一。我呢，干了十三年的商业分析，在咨询公司干了五年，在三六零做了两年，字节做了六年多，整个数据分析和洞察是我的老本行。那过去的一年呢？我测试了市面上绝大多数的 ai 的 工具和分析的方法， 论是 ai 做数据分析可用，但是坑更多。那这一期视频呢？我不会给你演示 ai 有 多么的厉害，相反，我会把 ai 做数据分析的真实的问题一条一条的摆在你面前，然后告诉你这些问题真实存在的情况下，怎么样做出靠谱的分析。 以上都是一些实打实的学类的教训，建议你来点赞收藏。首先哈， ai 做数据分析到底有哪些根本性的问题？ 我们先从第一性原理来想这个问题哈， ai 是 什么？它是一个语言预测的系统，它的本质是预测下一个 token， 它不是计算的引擎，也不是一个数据库，也不是一个审计的工具，理解这一点，你就能理解它所有的问题的 来源。那我来给大家展示一个真实的案例，是我们的客户给我的一份用户调研的数据，四百二十六行十五列，那我策划了整个分析的逻辑，需要 ai 做五个补， 对数据进行描述性统计，进行基本的数据处理，进行相关性的分析，做数据的洞察挖掘，最后出可可化的报告。我呢，也用 deepsea、 kimmy cloud、 coat、 pycharm 的 各种工具来尝试。我们来看一下这些工具进行到整个分析的哪一步。 你可能不会想到 deepsea 在 第一步就已经挂了，这是 ai 做数据分析最主要的问题之一。数据阶段他根本就没有看完你的整 个表，大多数 ai 的 平台有上下文的窗口限制，你上传了一个十万行的销售数据表，他只看了前几千行，基于局 部的样本给你生成了一个整体的趋势分析，他不会告诉你他没有看完，他只会给你一个直接的结论。问题二，计算幻觉。他可能第一步对，但是第二步就开始 边了。一些常规的统计描述出错率是比较低的，因为这类任务相对来说简单，但是一旦涉及到多步骤的运算，比如说同比增长或者环比， ai 在 中间步骤就是有可能悄悄出错的。然后他会用一个非常流畅的语言，把错误的结论包装得非常自信，越复杂的运算越容易在中间某一步 产生幻觉，这是大家需要注意的地方。问题三，结果不稳定。也就是我们会发现 ai 做数据分析的时候，同一个问题，他可能明天的答案就是不一样的，他整个输出是有随机性的，今天你问他哪个产品线的利润最高，他给你 a， 但可能明天同样的数据，他会给你一个 b， 或者是说同一份数据，他给到的分析的结论每次都是不一样的。比如说他今天认为我们的核心人群是年轻人，明天会认为整个核心人群是一线城市的人群。 那第四个问题，不理解业务逻辑，也不理解数据的含义。如果你不告诉他你的表格中的字段之间的关系和关联，他会自己去做出一些假设，而且通常也不会说他自己做了什么样的假设，那他在分析的时候就在分析一堆他自己并不理解的符号。 所以这也是为什么我们通常要告诉他我们的业务逻辑，或者是数据之间的关联关系。问题五，基础算数也会错，加减乘除出错的概率是比较低的，但也不等于零。当数据量大，嵌套复杂的时候， ai 的 计算可能远不如一个 excel 公式。问题六，编造不存在的数据。 当数据缺失的时候，有些 a i 号会自动去填出一个合理的数字，而不是告诉你数据缺失。这是最危险的情况，因为你的报告里面混入了凭空捏造的一些数据点， 而你完全是不知情的。问题七，他缺乏对统计意义的常识。比如说我们让他做一些相关性的分析，或者是做一些分组的分析，剧烈的分析，哪怕某个分组的样本量非常低，根本不具备代表总量的代表性， 他也会一本正经的给你输出结论。这种时候我们就必须靠懂业务的人在提示词里面强行做一些限制，他才会规矩。还有问题八，安全问题。 因为我们上传到 ai 平台的数据有可能涉及到企业的敏感数据，比如说销售数据、用户的数据、财务的数据， 它是不允许上传到第三方平台的。这种情况下，我们怎么样去做数据分析呢？以上这八个点都是实际操作 ai 做数据分析过程之中遇到的问题点，你会发现这些问题它有一个共同的根源，就是 ai 是 一个语言生成的系统， 它的目标是生成听起来很合理的输出，而不是保证计算正确。这两个目标之间其实是存在着根本性的冲突的，那我们到底要怎么办呢？三个目标、三种解法理解了以上根本性的问题之后，我们就知道 ai 做数据分析存在着天然的局限，这也帮我们更明确用 ai 做数据分析的三个目标，准确、深度、安全。目前其实还没有一个方案能够完美去实现这三个目标，但是我们可以根据场景来选择。解法一、 优先保证准确我会推荐大家用 cloud for excel， 如果你需要对数据进行计算，而且你必须确保数据是对的，那我们最佳的实践实际上就是 excel 表格。 那为什么是 excel 呢？因为 excel 的 计算是非常透明的， ai 可以 帮你写公式，公式写在每一个 excel 的 单元格里，你能够看见它，能够检查它，能够追溯每一个数字的来源。这和把数据扔给 ai， 让它给你一个答案是有本质区别的， 因为 ai 给你答案是黑盒的，你不知道它是怎么算的，但是 ai 给你公式，公式在 excel 表格里运行，它是一个白盒的，每一步都是可以审计的， 所以我们要确保准确， excel 是 最佳的时间的场景。那这里我们还是用刚才的案例来给大家演示一下同样一个用户洞察的表，我们放在 excel 表格里面，这个 excel 表格里面是嵌入了 cloud 的， 让它先做。第一步，做描述性的统计，它直接会新建一个 sheet， 然后去做每一个题目的统计的结果， 并且你能够看到统计结果的公式，这意味着计算过程是足够透明，你可以回溯，能够审查。在准确性上， cloud 给你的确定性是绝对的。接下来我们要让它进行第二步，也就是数据的预处理， 这里让他对所有的题目进行交叉的分析，其实是一个特别大的计算量。我之前在市场研究公司的时候，我们是需要有专门的 d p 来做数据处理的，耗时至少是花一天的，但是 cloud 几分钟就做好了，而且能够准确地执行，并且帮助你重新生成一个 sheet， 这个是很厉害的，而且我检查了数据是完全没问题了。再进一步到第三步，我们让他做相关性的分析，这里面他会自己把计算相关性的维度和方法都尝试了， 并且主动进行显著性的检验。到这里基本的数据分析的工作其实已经进行了差不多的，接下来我们就是要去做数据的洞察和呈现的过程。 那这里我是直接让他基于所有的分析做总结的报告，他自己主动新增了一个 sheet， 然后把跨表格的结论进行了整体的分析和总结， 这是我认为保证数据分析的准确性、深度最有效的方法。 cloud code for excel 目前直接对表格进行操作的 ai 有 cloud 和 kimi， 最近千万也上了表格的 agent， 但是我自己认为嵌套在 excel 中的 cloud 做得更原生、更彻底、更透明，也意味着更可控。 那它与普通的 agent 的 最大的区别在哪里呢？我觉得，第一，它不让大模型直接来算数，可靠的，不会悄悄地去改文件。你让它去修复公式或者调整逻辑的时候， 它会优先地去展示计划修改的部分，并且解释原因，展示修改前后的公式，然后由你来审核决定是否来应用它。 所以大模型在这里只是负责去生成 excel 的 公式，而 excel 引擎去负责执行这个运算，这样是直接把数值计算的责任交给了 excel 本身。那大模型只负责写正确的公式，规避了直接让模型做算数的风险。 那 cloud for excel 的 架构的本质啊，我自己认为就是 a l m as formula generator， 然后 excel 就 as computer engine， 而人类就作为 final 的 reviewer， 而不是说让大模型端到端的去做整个数据的分析，这是我认为它控制数据分析不准确或者是控制风险的方法，这既是它的护城河，也是它能力的上限。第二点呢，我认为它是拥有跨表格的 联合分析的能力的。普通的数据分析的 excel 和工作模式就是，呃，我把数据给到模型，模型来生成结果，对吧？整个过程是在一个外部的沙箱的环境里面去运行的，跟原始的文件是脱节的。 而 cloud for excel 它的核心差异是 whatbook native。 这是什么意思呢？就是说把它的整个文件作为一个关联的系统来推理，而不是单个的单元格或者是单个的 sheet。 它直接在你的原始数据表格中做操作，做增加 sheet， 然后做跨 sheet 的 联合分析，那它能够去理解嵌套的公式以及跨多个 sheet 的 单元格的依赖的结构。那它在理解整个数据关系的时候，也考虑的是左 所有 sheet 的 上下文，这也给他提供了真正去思考逻辑关系的空间。所以简单说，普通的 ai 是 拿数据去外面分析， 而 cloud for excel 是 在数据里面思考。那第三个点，我认为它还有一个优点，就是它的边缘问题的处理机制。 cloud 能够去追踪一些无效的、空值的或循环引用等错误，并解释出了什么问题，应该怎么样去修复 且不破坏模型。其他的部分，甚至是我看到它的官方文档里面会对于一些报错有很严格的限制，它的官方文档里面写，当它的审核 agent 认为报错为零的时候，它才会输出结果。如 果不文明的时候，它会持续地去在底层做预算。我认为这些机制也能够去保证 cloud 做数据分析的时候的相对的准确性。那可能有人会说自己没有办法使用 cloud for excel， 有 没有什么替代的方案呢？有的，那我们这里给大家第二个解法，优先保证深度用 pmi。 国内目前通用平台做数据分析相对可靠的是 kimi， 为什么 kimi 相对可靠呢？相比其他的平台来说， kimi 在 处理长文本和大表格时截断率是更低的，而且它理解上下文的能力更强，上下文的窗口也更大， 意味着它能看到更多的数据并做分析。而且我们知道 kimi 有 两种模式，一种是 kimi 的 表格模式， cloud 一 样也可以在 excel 的 表格里面去做操作，并且也能够按照你的要求在表格中做预算做分析。但是它是直接在表格中输出结果的，而不是像 cloud 一 样输出的是公式。这也意味着你的整个结论都是在黑盒中的， 你需要去人工叫验它所有的数据分析的过程和结果。 timi 呢？还有一个 agent 的 模式是在沙箱的环境之中，后台有各种数据 agent 学童来操作，我直接来给大家演示一下哈。 我们还是刚才这样一个用户调研的数据的案例，我们给到 kimi， 让他来进行我们预设的五个分析步骤，那非常惊喜哈， kimi 在 这两个模式下， 整个数据的准确度是全部过关的，五个复杂的步骤跑下来完全没有失忆。最终我们能够看到他输出的报告 和可适化的分析的看法，也都达到了可以交付给客户的标准。所以我们其实想说， kimi 用来去做一些常规的数据分析肯定是没有问题的。但其实 kimi 过程中也有一些小的问题，或者是说我给到大家一些使用的建议吧。 第一是不要直接让他给你结论，要让他先描述他看到了什么数据，确认他没有截断，没有基于一些不准确的数据去做分析。 第二呢，是对一些关键的数据进行人工的抽查，把它定位为一个思考助手，而不是说计算的工具，因为它现在目前还是没有办法保证百分之百的准确的。第三个点就是它缺乏统计学意义的一些常识，所以你需要写专门的提示词进行限制，才能让它整体的输出准确而可靠。第四个点， timmy 的 表格模式，我觉得它更适合很纯粹的做数据的处理，但是偶尔会有一些格式上的 bug， 那 它的 a 整数模式更侧重于深度的洞察的挖掘， 我个人是更看重商业洞察的，所以我会建议大家首选 a 整数模式，因为它的整个思考的逻辑会严谨的多。那我们再看一下 timmy 的 整个的分析的步骤，第一步，让它做描述性的统计，完全没有问题，整体是非常准确的。 那第二步，让它进行数据的预处理，这个预处理就是做数据的交叉分析，让它对所有的题目基于特定的一些维度做交叉的数据表格，它能够帮助我们生成一个 sheet， 虽然需要花一定时间， 整个系统你下载下来整体也是没有问题的。接下来我们让他进一步做。第三步就是我们提到的做相关性的分析，这里面我们会给到他提示词，整个相关性应该怎么样去做，哎，他自己已经理解到了，所以他自己也会基于他的理解去做了整个相关性的分析，并且也给到了一些显著性检验的指标。 那接着第四步就开始让他帮我去做洞察的分析的结果，以及第五步，我进一步让他基于他整体的洞察分析的结果做出一个可适化的网页，整个分析非常的完整，还是很符合预期的。 那以上的两个方案我们其实探索了如何准确深度的用 ai 做数据分析，那么我们怎么样保证第三个点安全的做数据分析呢？那在我们做企业的 ai 培训的时候，会发现企业的管理层普 片都卡在一个死胡同，既极度渴望用 ai 挖掘数据的价值，又死死守着数据安全的红线，不敢越雷池一步。那企业其实也探索了很多的方法，但是都有一些致命的缺陷。比如说第一，把数据进行一些脱敏的处理，比如说哈，把一些列名改成指标 a， 指标 b， 但这样的脱敏处理会让他剥离了一些业务的含义， ai 只能做很低级的加减乘除，但没有任何洞察可言。 那第二个点呢，就是花重金在本地部署开源的小模型来做数据分析，那实际落地下来也会发现速度很慢，而且 ai 并不够聪明。所以这一章节我们给大家讲第三个解法，就是保证安全的情况下，怎么样去做数据分析。我们推荐的方案是本地的 python 加 ai 的 辅助， 那当我们在处理一些敏感的数据，最好的方式是数据不离开你的本地环境。你用 ai， 不 管是用 cloud 的， 用 gpt 或用其他的工具辅助帮助你去写 python 代码。然后呢，让代码在你自己的本地机器上运行， 数据不上传到任何平台。这个方法其实也非常的简单，唯一的要求是用户需要有一个 python 的 编辑器安装在本地的电脑。那整个流程就是首先你需要去描述你的需求，给到 ai， 然后 ai 帮你生成 python 的 代码，那接着呢，你去把这个代码拿到你的本地去运行，而 而且整个结果都是在本地去生成的，生成完之后，其实你自己如果想有任何的修改啊，验证啊，审查啊，你其实都是可以去做的，整个全程数据也是不会离开你的电脑的。那为什么这是相对来说最可靠的方案呢？计算由 python 来执行，不是 ai 来执行，所以准确性是有保证的。 那整个代码呢，也是可以保存、复制和分享，你可以是重复性去使用的。也就是说未来你的原始数据有了更新，你直接重新再跑一遍这个代码就可以了。第三个点，数据也是保存在本地的，安全性是可以保证的， ai 只负责把它擅长的部分，也就是把你的需求翻译成代码。但是这个方法也有一定的局限，就是有一点学习门槛，需要你能够看懂基本的 python 的 代码， 但实际上你并不需要会写，你只需要能读懂就可以。好，那我还是给大家来实操演示一下，你就会知道它的难度到底有多大，既不会过于害怕，也不会过于乐观。首先我们要下载一个 python 的 编辑器，我这里是开站，当然你也可以用别的，比如说 vs code 或者 cross。 我 知道哈，屏幕前的你可能听到我刚才说的这些词，你就想打退堂鼓了。别害怕，我保证你看完我操作之后，你就会豁然开朗。不， 不过如此，面对恐惧唯一的方法就是直面他。那我们来想象一下这个任务我们到底是怎么样去处理？首先我们的目标是让 ai 帮我们写出能够分析这些表格的代码。那这里我们的第一步其实就需要告诉 ai， 哎，我有哪些数据表？每个数据表里面有什么？数据表里面的数据结构是什么？那 这一步我们直接用 python 的 编辑器来帮我们输出，我们不需要去自己手动的去写每个表格的信息。那我们打开 python， 进入到我的工作区，我已经把原始文件放进去了， 你的原始的表格可以是一个，也可以是多个数据表，它都可以同时来处理好。这一步输入帮我们输出表格的 info 信息，我给了这样一段代码， 然后我们运行，运行后我们能看到表的基本信息了，有多少行，多少列，具体是哪些字段，对吧？然后我们来到 deepsea， 我 们跟他介绍一下背景，越详细越好。所以我是比较偷懒的，我会把所有的信息都给了他，比如说我直接把我在编程上的刚才写到的这些语句发给他， 然后把我们拿到的所有表格的 info 信息也发给他，接着跟他说我们的要求，那这个要求是什么呢？就是这一段提示词，要求他帮你输出分析的 python 代码文件，然后他会直接就给你写好代码了。 那我们直接下载好代码之后，来到 page 里面去运行，你就会直接拿到结果，他直接会把你分析的结果格式化，并且你能够看到。哎，这里是有一个看板，然后左边是有筛选去看特定的结果。 这个方法啊，很有效的地方在于 ai， 它基本上帮你做成了一个自动化的看板，后续你的原始数据有任何的更新，你重新再运行一下这个脚本就可以了。 那 ai 做数据分析不是说不能用，而是说需要用对地方，它很适合帮你思考分析的框架，把你的需求翻译为代码，但是它确实不适合承担计算和审计的职责。那把 ai 用在它真正擅长的工具， python 的 代码等等， 这才是目前来说相对可行的路径。那今天呢，给大家介绍了这三种数据分析的方法，但大家也需要注意到，这里的分析更多还是让 ai 不要出错，让 ai 能懂数据的关系，让 ai 能够安全的执行。但更多的关于洞察的部分，其实我们今天并没有详细展开， 因为它的难度是更升级的，如果第一步的准确度没有办法完整保证的话，其实洞察也没有办法真正展开。 那洞察呢，是一个更复杂的过程，也更需要对业务的理解，也需要一些特定的场景，觉得未来我们可以做一些专题来做分享。好，以上是今天的分享，如果你觉得还不错的话，可以收藏和点赞哦！我是江江，带你看懂 ai 一 线！
4012江江AI一线
