5 个技巧教你用 SOLO 做复杂数据分析

本文作者：安果，TRAE 战略分析师

上一期你学会了指挥 AI 做分析，这一期你学会放手。

回顾：不止是写代码｜如何用 TRAE 进行复杂数据分析

前言

上一期我们聊了用 TRAE 做数据分析的基础流程：把数据丢进去，告诉它"帮我清洗一下"、"按月份画个趋势图"、"算一下同比增长"，一步步指挥，一步步出结果。

如果你已经用起来了，可能会发现一个问题：简单分析很爽，但任务一复杂就累了。

比如：数据不是现成的，需要先从某个平台获取；需要同时分析好几份数据做对比；分析做完了不确定结论有没有问题；下个月同样的分析又得重新来一遍......

每次都手把手指挥每一步，链路一长就觉得："我好像在给 AI 当保姆"。

这一期，我们升级玩法。核心理念就一句话：你负责想，AI 负责做。

上一期的模式是"你说一步，AI 做一步"：你既是思考者，也是指挥者。

这一期的升级是：你只负责定方向、定标准、做判断，剩下的规划路径、获取数据、拆分任务、检查质量、沉淀复用：全部交给 AI。

SOLO 里的 Agent 之所以能承接"做"的部分，是因为它具备三个关键特性：

• 自主决策能力：它每执行一步都会看到结果，然后根据结果决定下一步做什么：不是死板地执行脚本，而是"感知→判断→行动"的循环

• 完整的执行环境：能写代码、跑代码、装依赖、读写文件，不需要你帮它搭环境

• 持久化的工作空间：所有中间过程（代码、数据、图表）都保存在工作空间里，方便回溯、审查和复用

接下来 5 个进阶技巧，就是教你怎么把"做"的部分彻底交出去。

本文所有内容都用 SOLO MTC 模式演示。

技巧一：数据采集+分析一体化 - 没有数据？让 AI 自己去拿

很多时候你想做一个分析，第一个卡点不是"不会分析"，而是"数据还没拿到手"。

• 传统流程是：先去某个平台后台选日期 → 勾筛选条件 → 点导出 → 等半天 → 下载 CSV → 再丢给 AI 分析。光是"拿到数据"这一步就花了你 15 分钟。

• 进阶做法：连"找数据"这一步也让 Agent 操心。

比如你想看几只股票最近的走势对比，你手上没有数据。直接跟 Agent 说：

帮我获取贵州茅台、宁德时代、比亚迪最近半年的股价数据，做趋势对比分析，计算各自的波动率和最大回撤，告诉我哪只最稳、哪只波动最大，并画出走势对比图。

你没有给它任何数据文件，但 Agent 会自己搞定全流程：

1. 判断用什么工具获取数据（这次它选择了 yfinance 库 + A 股 ticker）

2. 自动安装依赖（pip install yfinance）

3. 自己查文档，了解 A 股的 ticker 格式（600519.SS / 300750.SZ）

4. 写代码调用 API，获取半年日线数据

5. 做指数化处理（起点=100），方便不同价位的股票直接对比

6. 计算年化波动率和最大回撤

7. 画对比走势图

8. 给出明确结论：贵州茅台最稳（波动率 23.27%），宁德时代波动最大（33.44%）

全程你只说了一句话，Agent 自己操心了所有中间环节。

▼ 图：一句话 Prompt → Agent 自主完成全链路（自动装库、查文档、调 API、出图）

这件事的前提是 SOLO 的执行环境：Agent 能自己装库、自己写代码、自己跑。遇到 API 报错，它还会自动调试重试。你不需要懂任何编程或 API 的知识。

更强的是，Agent 不只是"会调 API"，它还会自己去查怎么调。比如这个 Case 里，你没告诉它 A 股在 yfinance 里的 ticker 格式是什么，它自己查了文档搞清楚了"贵州茅台=600519.SS""宁德时代=300750.SZ"。你不需要提前帮它找好文档或告诉它接口长什么样。

▼图：最终产出 --- 三只 A 股近半年走势对比（指数化，起点=100），一眼看出谁稳谁波动

延伸一下：

其实日常工作中很多数据源都有 API 接口：广告投放平台、电商数据后台、CRM 系统等等。

传统做法是你手动去后台导出，但完全可以让 Agent 直接调接口获取：省掉了"登录后台→选条件→等导出→下载"的繁琐步骤。

采集 → 清洗 → 分析 → 可视化，以前是四个割裂的步骤，现在是一个对话里的无缝衔接。

技巧二：多 Agent 协作 - 一个人忙不过来，派个团队

前面的技巧里，你跟一个 Agent 打交道就够了。但当分析任务变大：数据量上千条、需要逐条做语义理解：单个 Agent 串行处理就慢了。

这时候你需要的不是一个更强的 Agent，而是一个团队。

为什么数据分析特别适合多 Agent 协作？

因为数据分析的子任务之间天然耦合度低：第 1-100 条评价的情感分析和第 101-200 条互不依赖，A 区域和 B 区域的销售分析互不依赖。这种"天然可并行"的特性，让多 Agent 的收益特别明显。相比之下，写代码往往前后强依赖（数据模型没定就写不了接口），并行空间有限。

而 SOLO 之所以能支持这种协作，是因为它的工作空间是共享的：所有 Agent 都能读写同一组文件。一个 Agent 产出的中间结果，另一个 Agent 可以直接接着用。

实战演示：400 条餐厅评价并行打标

我们有 6 家门店共 400 条真实用户评价，需要对每条做情感分析（正面/负面/中性）+ 五维度打标（口味、服务、环境、等待时间、性价比），然后按门店汇总出诊断报告。

如果串行处理，400 条评价逐条做语义分析会很慢。这里直接告诉 Agent 用并行方式：

这是我们 6 个门店共 400 条用户评价数据（来自真实点评平台）。我需要你完成以下分析：

1. 对每条评价做情感分析（正面/负面/中性）和多维度打标（口味、服务、环境、等待时间、性价比），需要理解评价文本的语义来判断
2. 按门店汇总各维度的好评率，找出每个门店最需要改进的方面
3. 输出一份门店诊断报告，包含各门店的优劣势对比和改进建议

注意：400 条评价逐条做语义分析比较耗时。请将数据分成多个批次，用多个子任务并行处理（每个子任务负责一批评价的情感分析和维度打标），完成后再汇总所有结果，按门店维度做统计和对比分析。

Agent 拿到任务后自动拆分为 4 个批次（每批 100 条），启动 4 个 SubAgent 同时处理，最后汇总结果、按门店统计、生成诊断报告。总耗时 18 分 42 秒：如果串行处理估计得翻倍。

▼ 图：一条 Prompt，Agent 自动拆成 4 批并行处理（总耗时 18m42s）

▼ 图：4 个 SubAgent 各自处理 100 条评价，互不干扰同时执行

▼ 图：最终产出 --- 6 家门店诊断报告（含情感分布、五维度好评率热力图、改进建议）

除了 SubAgent 并发，还有两种协作模式值得了解：

• 独立多 Agent：你手上有几份完全独立的数据，各自需要完整分析。直接开多个 Agent 会话并行处理，互不干扰。比如线上数据和线下数据各开一个 Agent，同时跑各自的分析

• Plan → Execute：复杂项目先让一个 Agent 出分析方案（保存为文档），你审核确认后，再开新 Agent 按方案执行。规划和执行分离，避免做到一半发现方向不对

什么时候需要多 Agent？

简单分析用单 Agent 就够了。当你感觉"这个任务数据量大、子任务之间没有依赖关系"，就是用多 Agent 的信号。

技巧三：目标驱动 - 说你要什么，不说怎么做

用基础玩法做分析时，你可能习惯了这样跟 Agent 对话：

• "先帮我看一下各品类的平均售价和销量 "
• "再算一下每个品类的利润率"
• "试试美妆品类提价 10% 利润会怎么变"
• "再试试降价 5% 呢"
• "把所有品类的最优价格都算一遍"

一步一步喂指令，本质上是你在思考策略，AI 只是帮你按计算器。

进阶的做法是：把目标直接丢给它，让它自己去想办法。

比如同样是定价分析，你可以这样说：

这是我们店铺过去一年多的定价和销量数据，帮我分析下怎么定价能最大化利润。试试两种方法对比，要靠谱点。数据里没给进货成本，你按电商行业常识给各品类加个合理毛利率就行。

最终给我一份 Excel 详细报告，再画一套图，要清晰好看、适合做 PPT/发朋友圈那种（配色清爽、字大、一眼能看懂）：

• 整体提升对比
• 几个重点品类的价格-利润图
• 最后再来个一目了然的汇总

一句话说完，Agent 自己展开了一整套动作：读取数据 → 按行业常识给 9 个品类设定合理毛利率 → 用两种方法（价格弹性回归 + 机器学习模型）分别建模 → 找到各品类利润最大化的定价区间 → 交叉验证两种方法的结果 → 产出 Excel 报告和可视化图表。全程 7 分 40 秒，你只说了一句话。

▼ 图：一句话目标式 Prompt → Agent 自主完成全流程（耗时 7m40s，自动选择两种分析方法）

为什么 Agent 能做到？

因为它不是按固定脚本执行的：它每跑一步代码都能看到结果，然后根据结果自主决定下一步做什么。比如这个 Case 里，Agent 发现数据中没有成本字段，就自己按行业常识补上了毛利率假设；发现某些品类样本量不足以支撑复杂模型，就自动降级为更稳健的方法。

这就是 Agent 的核心能力：感知→判断→行动→再感知的循环：不是执行你写好的剧本，而是根据实际情况自主规划路径。

▼ 图：Agent 产出的分析看板 --- 两种方法对比，利润预期提升 193.7%

▼ 图：重点品类的价格-利润曲线 --- 方法1（弹性回归）vs 方法2（机器学习），直观看到最优定价区间

怎么用好目标驱动？

• 描述终态，而不是描述步骤："找到利润最大化的定价策略" 比 "先算A再算B再对比" 更能释放 Agent 的自主性

• 加约束条件：给 Agent 自由度的同时划好边界："至少对比两种方法" "要靠谱点" "数据没成本你自己加合理假设"

• 建议尝试方向：你不必规定每一步，但可以提示 Agent 值得探索的方法或参数组合：比如"可以试试价格弹性分析和机器学习对比"。这样既给了自主权，又降低了 Agent 走弯路的概率

• 你仍然是审核者：Agent 操心"怎么做"，你把控"做得对不对"：看它的推理过程和结论是否合理

技巧四：AI 校准 - 出报告前，让 AI 自己查一遍

分析做完了，结论出来了，图表也画好了。你准备把报告发给老板：但心里总有点不踏实：数据有没有算错？前后引用的数字是不是一致的？结论有没有逻辑漏洞？

传统做法是你自己逐行检查，或者找同事帮你 review 一遍。但如果分析链路比较长（清洗→建模→多方法对比→可视化→结论），人工逐步核对既费时又容易漏。

进阶做法：让 Agent 自己审查自己的工作。

还是拿技巧三的定价分析来举例。分析报告做完了，明天要发给老板，你加一句：

这份定价分析做得不错，但明天要发给老板，帮我把把关：1. 数据一致性：检查当前利润、两种方法的建议利润和提升幅度的计算逻辑有没有前后矛盾；2. 样本量风险：看哪些品类的样本量偏少，会不会导致结论不稳；3. 方法合理性：毛利率假设合不合理？模型拟合效果够不够？4. 可落地性：给的建议区间会不会太激进？有没有超出历史价格范围太多？把风险点都列出来，标红严重的，给我一个简单的审核报告。

Agent 花了 15 分钟，回去翻了之前所有的代码、数据文件和产出的 Excel，逐项做了实打实的核对，结果还真揪出了问题：

• 数据一致性：发现"利润提升%"有 14 行数据的计算结果和看板 KPI 口径不一致（看板用的是模型复原口径，明细表用的是实际销量口径）

• 样本量风险：家具装饰只有 48 条记录，结论更容易受偶然波动影响，建议先小流量验证

• 模型拟合风险：4 个品类的 MAPE 偏高（>1.0），结论应视为方向性参考而非精确建议

• 可落地性：25 条商品的建议价超出历史范围 ≥25%，标为"严重"：建议这些先小范围试价，不要一次性全量改价

▼ 图：一句话让 Agent 审查分析报告（耗时 15m28s）--- 按严重程度标红输出

▼ 图：审核摘要 --- 5 个维度逐项检查（数据一致性/样本量/模型拟合/假设口径/可落地性）

▼ 图：激进建议清单 --- 逐条列出"建议价超出历史范围"的商品，红色=严重，需先小范围试价

为什么 SOLO 特别适合做这件事？

因为 SOLO 会保留完整的执行过程：每一步用了什么数据、代码逻辑怎么写的、中间产出了什么文件，全部在工作空间里可追溯。Agent 不是凭记忆审查，而是可以回去翻代码和数据文件做实打实的核对：所以才能发现"看板口径和明细表口径不一致"这种细节问题。

核心 takeaway：

• 这不是替代你的判断：而是帮你做第一轮筛查，把明显的问题先揪出来
• 分析链路越长，这一步越有价值（步骤越多，累积出错的概率越大）
• 养成习惯：每次分析完、出报告前，都加一句"帮我把把关"：成本极低，但能避免低级错误被老板发现

技巧五：Skill 沉淀 - 做一次好活，永远不用重复

你花了 8 分钟跟 Agent 对话，从数据清洗到趋势分析到区域下钻到生成完整报告，终于得到了一份满意的 2022 年度销售分析。

然后 2023 年的数据来了。你发现：得重新来一遍？

如果每次都从头开始，那 AI 只是帮你"加速了一次"，并没有帮你"解决重复劳动"。

进阶做法：把成功的分析流程沉淀下来，下次一键复跑。

实战演示：年度销售分析的 Skill 沉淀与复用

我们用的是一份超市销售数据（含区域、品类、子类别、销售额、利润、折扣等 20 个字段），按年拆成了 2022 / 2023 / 2024 三份。

第一步：首次完整分析（2022年数据）

这是我们公司 2022 年的销售数据。帮我做一份完整的年度销售分析报告：1）数据概览和清洗；2）月度趋势图；3）各区域销售额和利润对比；4）各品类表现分析；5）找出表现异常的区域或品类并分析原因；6）生成一份包含关键发现和建议的分析报告。

Agent 花了 8 分 29 秒，完成了完整分析链路：月度趋势分析 → 区域销售利润对比 → 品类利润率排名 → 子类别 Top / Bottom 排名 → 区域×月份利润热力图 → 生成 Word 格式报告 + 5 张可视化图。

▼ 图：首次分析的对话（耗时 8m29s，一句话出完整报告）

▼ 图：2022年度分析报告产出 --- 月度趋势 + 区域对比 + 品类排名

第二步：沉淀为 Skill

分析结果满意后，告诉 Agent：

帮我把刚才的分析流程沉淀成一个可复用的 Skill，以后每年新数据来了可以直接调用。

Agent 会把整个分析过程中的脚本（数据清洗逻辑、指标计算代码、图表生成代码、报告模板）打包成一个结构化的 Skill。

▼ 图：Skill 沉淀 --- Agent 把分析脚本、图表逻辑、报告模板打包为可复用资产

第三步：新数据来了，一键复跑

2023 年数据到了，你不需要重新描述分析需求，直接调用 Skill：

用刚沉淀的年度销售分析 Skill，对 2023 年数据跑一遍。

Agent 按照之前沉淀的"说明书"自动走完全流程：同样的清洗逻辑、同样的分析维度、同样的图表风格、同样的报告格式。耗时从首次的 8m29s 降到 1m28s，你只说了一句话。

▼ 图：Skill 一键复跑（耗时仅 1m28s）--- 同样的分析质量，十分之一的时间

▼ 图：2023年度报告自动产出 --- 格式、维度、图表风格与 2022 完全一致

这里的"沉淀"远不只是保存一条 Prompt。

数据分析过程中产生的东西很丰富：数据清洗脚本、指标计算逻辑、可视化代码、报告生成模板、甚至分析方法论本身。这些中间产物全部保存在 SOLO 的工作空间里，可以整体沉淀为一套完整的分析资产。

本质上，你沉淀的不是一条指令，而是一整套分析方法论的编码化表达：数据怎么清洗、指标怎么算、图表怎么画、报告怎么写，全部包含在内。Agent 下次执行时，是在按照这整套"说明书"工作，而不是重新猜你想要什么。

Skill 的延伸价值：

• 团队共享：你沉淀的 Skill 可以分享给同事：新人无需培训，拿到 Skill 直接用，产出的分析质量和你一样

• 跨场景复用：年度销售分析的 Skill，稍微调整一下维度字段，就能用于季度运营分析

• 持续迭代：每次复跑后如果发现新问题或新需求，更新 Skill 即可，下次自动包含改进

• 和审校组合：Skill 里可以内置"最后一步做审校"的逻辑，每次复跑自动带质量检查

总结：你负责想什么，AI 负责做什么

当 AI 能把"做"的部分越做越好，你的精力该花在哪里？

我认为"想"的部分有三件事变得比以往更重要：

一、想清楚什么是重要的问题

AI 能帮你算任何你想算的东西：但"该算什么"这件事，只有你能决定。同样一份销售数据，问"帮我做个描述统计"和问"哪个区域在流失高价值客户？流失原因是什么？"：得到的价值完全不同。

当执行不再是瓶颈，提问能力就是你最大的杠杆。花时间想清楚"什么问题值得回答"，比花时间折腾"怎么算"重要得多。

二、想清楚怎么验证对错

AI 做得快，但不代表做得对。数据源是否可靠？筛选条件是否正确？样本量够不够？结论有没有逻辑漏洞？

这就是为什么"审校"那一步不是可选项，而是必选项。你可以让 AI 帮你做第一轮检查，但最终的判断力："这个结论说得通吗？"：永远需要你来把关。

三、想清楚怎么让 AI 做得更好

这不只是"会写 Prompt"的问题。当任务变复杂，你需要知道什么时候拆成多个 Agent 并行、什么时候先出方案再执行、什么时候该沉淀为可复用的流程。这是一种新的"项目管理"能力：管理的对象从人变成了 Agent。

为什么 SOLO 是做这些事情更好的工具？

因为它的设计天然匹配"你负责想，AI 负责做"的分工：

• 你负责想问题 → Agent 有自主决策能力去规划路径和执行

• 你负责想对错 → 所有中间过程（代码、数据、逻辑）持久化保存，完全可追溯可审查

• 你负责想协作 → 共享工作空间支持多 Agent 协同，Skill 支持流程沉淀和复用

一句话：SOLO 让"想"和"做"彻底分开：你专注前者，Agent 搞定后者。