数据分析

claude数据整理的价值，不在于把文件换一种排版，而在于把分散、重复、格式不一的信息，转成可以比较、筛选和复核的结构。比如，一批会议记录原本按日期分散保存，整理后可以变成事项、负责人、截止时间和当前状态等字段；一组客户沟通记录则可以按客户、需求、跟进阶段和下一步行动归纳。

数据复盘智能体看到三条失败日志，不能直接写“三个任务失败”。同一任务可能第一次失败、第二次成功。复盘时同时保留尝试结果和任务最终结果，才看得见重试恢复。

两个移动智能体观察同一个区域时，合并地图不等于把两张图片拼起来。对于占据栅格，每个格子保存“被占据”的概率；新观测逐次更新这份环境表示。下面从已对齐的格子坐标开始，用log-odds把两个角色的证据合并成三格地图，明确区分没有观察与证据相互抵消。

AI 日志分析工具说某条请求“耗时很长”之前，应先确认开始和结束事件属于同一个请求。没有结束事件的请求不能用当前时间随便补成完整耗时。

AI 可以帮助解释可疑数据，但先用一条公开可核对的规则建立基线。本文计算中位数绝对偏差，标出超过约定阈值的记录，再交给AI整理复核原因。

用腾讯元宝按研究问题、样本、方法、结果和限制精读论文，并回到原文核对页码、术语与图表。

按当前 Claude Artifacts/Design 流程，用固定样本数据生成图表，核对数量、坐标和单位，编辑后再导出并重新打开检查。

比较固定区间 cut 和分位数 qcut，核对边界值、每箱样本数、重复分位点与范围外数据，并将训练边界复用于新样本。

按表格操作、惰性查询与 SQL 汇总需求比较 pandas、Polars、DuckDB，用同一 AI 样本 CSV 核对筛选、缺失分组和汇总口径。

在 Cursor 中用 Python 分析 CSV，先检查编码和字段，再清洗、统计并用行数与汇总数交叉核对。