← 返回 Skills 市场
Deep Analysis
作者
mingginwan
· GitHub ↗
· v1.0.0
· MIT-0
121
总下载
0
收藏
0
当前安装
1
版本数
在 OpenClaw 中安装
/install data-deep-analysis
功能描述
遇到复杂或矛盾的信息时使用。系统性地追溯根源、交叉验证、形成有证据支撑的结论，避免草率判断。
使用说明 (SKILL.md)
系统性深度分析
随意下结论浪费时间，也会误导决策。表面现象可能掩盖真实原因。
核心原则： 先找根因再下结论。表面归因是失败。
铁律
没有充分证据，不下任何结论
如果没有完成信息收集和交叉验证，就不能声称"原因是 X"。
适用场景
- 数据中出现矛盾或异常
- 多个来源说法不一致
- 需要判断因果关系（不只是相关性）
- 结论会影响重要决策
- 直觉判断和数据不符
尤其在以下情况使用：
- 时间压力下（压力让人想跳过验证）
- "显而易见"的结论（越显然越可能是偏见）
- 已有预设立场时（确认偏误最危险）
四个阶段
必须按顺序完成每个阶段。
阶段 1：信息收集
在形成任何观点之前：
-
识别所有信息来源
- 一手数据 vs 二手资料
- 来源的可信度和偏向
- 时效性——信息是否过时
- 缺失的信息——哪些数据我们没有
-
交叉验证
- 同一事实是否有多个来源确认
- 来源之间有没有矛盾
- 矛盾的原因是什么（定义不同？时间不同？口径不同？）
-
区分事实与观点
- 哪些是可验证的事实
- 哪些是推断或观点
- 推断基于什么假设
-
数据溯源
- 数字从哪来？计算方法是什么？
- 样本量是否足够？
- 有没有选择性使用数据
阶段 2：模式识别
在数据中寻找规律：
-
对比基准
- 和历史数据比怎么样
- 和同类/竞品比怎么样
- 偏差有多大——是噪音还是信号
-
多维度审视
- 从不同角度看同一数据
- 聚合数据 vs 细分数据是否讲述不同的故事
- Simpson 悖论——整体趋势和分组趋势相反
-
识别因果 vs 相关
- A 和 B 一起出现，不代表 A 导致 B
- 有没有第三个变量 C 同时影响 A 和 B
- 时间顺序是否支持因果判断
阶段 3：假说与验证
科学方法：
-
形成假说
- 明确陈述："我认为 X 是因为 Y，基于证据 Z"
- 写下来
- 具体、可证伪
-
寻找反例
- 主动寻找反驳自己假说的证据
- 如果找不到反例，假说更可信
- 如果找到反例，修改假说
-
压力测试
- 这个结论在极端情况下还成立吗
- 换一个时间段还成立吗
- 有没有替代解释同样合理
阶段 4：结论形成
有证据支撑的结论：
-
分级置信度
- 高置信：多来源交叉验证，因果链清晰
- 中置信：有数据支撑，但有一些不确定性
- 低置信：有限数据，推断较多
- 明确标注每个结论的置信度
-
陈述局限性
- 这个分析没覆盖什么
- 哪些假设可能不成立
- 结论在什么条件下可能失效
-
给出建议时区分
- 基于数据的建议 vs 基于判断的建议
- 明确标注哪些是事实，哪些是观点
危险信号 — 立刻停下
如果你发现自己在想：
- "这个很明显，不需要验证"
- "数据基本上支持结论"（基本上 = 没完全支持）
- "大家都这么说"（大家 ≠ 证据）
- "先下结论，后面再补充数据"
- "这个反例是特殊情况"（也许不是）
- "时间不够了，先用这个结论"
以上都意味着：停下。回到阶段 1。
常见合理化借口
| 借口 | 现实 |
|---|---|
| "这个结论很明显" | 明显的结论经常是错的，验证很快 |
| "时间紧迫" | 错误结论导致的返工更浪费时间 |
| "数据量太大没法全看" | 抽样验证也好过不验证 |
| "专家都这么说" | 专家也可能错，看他们的证据 |
| "和上次一样" | 每次情况都有不同，验证不费时 |
快速参考
| 阶段 | 关键活动 | 成功标准 |
|---|---|---|
| 1. 信息收集 | 识别来源、交叉验证、区分事实与观点 | 信息地图完整，矛盾已标注 |
| 2. 模式识别 | 对比基准、多维审视、区分因果相关 | 发现规律和异常 |
| 3. 假说验证 | 形成假说、寻找反例、压力测试 | 假说经受住了反驳 |
| 4. 结论形成 | 分级置信度、陈述局限、区分事实与判断 | 结论有证据链支撑 |
安全使用建议
This skill is an instruction-only checklist for doing careful analysis and appears self-consistent and low-risk. Before installing, note: (1) it can be invoked by the agent like any other skill—ensure your agent's autonomous permissions and data-source policies are what you expect; (2) the skill itself does not access files or secrets, but when following its guidance the agent may ask you for or fetch external data — control which data sources the agent can reach and avoid granting sensitive credentials unless necessary. If you want stricter control, only invoke this skill interactively and review any information it requests before allowing access.
功能分析
Type: OpenClaw Skill
Name: data-deep-analysis
Version: 1.0.0
The skill bundle contains only documentation and logical instructions (SKILL.md) designed to guide an AI agent through a structured, four-stage data analysis process. There is no executable code, no network requests, and no instructions that attempt to exfiltrate data or bypass security controls; the content focuses entirely on improving analytical rigor and avoiding cognitive biases.
能力评估
Purpose & Capability
Name/description (systematic deep analysis of contradictory information) align with the SKILL.md content. The skill is purely procedural guidance and does not request unrelated capabilities or secrets.
Instruction Scope
SKILL.md is a bounded, step-by-step methodology (information collection, pattern recognition, hypothesis testing, conclusion). It does not instruct the agent to read files, access environment variables, install or execute code, or transmit data to external endpoints.
Install Mechanism
No install spec, no code files, and no external downloads — lowest-risk instruction-only skill.
Credentials
Requires no environment variables, credentials, or config paths. Nothing requests access to secrets or unrelated services.
Persistence & Privilege
always is false and the skill does not request persistent presence or modify system/agent configuration.
如何使用
- 确保已安装 OpenClaw（本地或 Docker 部署）
- 在对话框中输入安装命令：
/install data-deep-analysis - 安装完成后，直接呼叫该 Skill 的名称或使用
/data-deep-analysis触发 - 根据 Skill 的参数说明提供必要输入，即可获得结构化输出
版本历史
v1.0.0
- Initial release of "data-deep-analysis" skill.
- Provides a systematic framework for analyzing complex or conflicting data.
- Emphasizes evidence-based conclusions and avoids premature judgments.
- Outlines a four-stage process: information gathering, pattern identification, hypothesis & validation, and conclusion.
- Includes warning signs and common pitfalls to help users maintain rigorous analysis standards.
元数据
常见问题
Deep Analysis 是什么？
遇到复杂或矛盾的信息时使用。系统性地追溯根源、交叉验证、形成有证据支撑的结论，避免草率判断。 它是一个面向 Claude Code / OpenClaw 的 AI Agent Skill 插件，目前累计下载 121 次。
如何安装 Deep Analysis？
在 OpenClaw 或 Claude Code 对话框中运行命令「/install data-deep-analysis」即可一键安装，无需额外配置。
Deep Analysis 是免费的吗？
是的，Deep Analysis 完全免费，采用 MIT-0 许可证，可自由下载、安装和使用。
Deep Analysis 支持哪些平台？
Deep Analysis 跨平台运行，可在任意部署了 OpenClaw / Claude Code 的环境中使用（cross-platform）。
谁开发了 Deep Analysis？
由 mingginwan（@mingginwan）开发并维护，当前版本 v1.0.0。
推荐 Skills