先查数据再建模
拿到数据先做体检：缺失值、异常值、量纲是否一致、分组样本量是否悬殊。这些问题不先解决，后面的模型再漂亮也是错的。
AI 实证数据分析
从数据检查、统计建模到图表与解释，形成可以复核的分析过程和研究产物。
很多人对 AI 做数据分析的顾虑是一样的：它给了一个数，我怎么知道这个数是怎么来的、对不对。如果只能拿到结论拿不到过程，这个结论就没法用在论文或报告里。
研究智能体的做法是把分析写成代码再执行：它写脚本、跑数据、读运行结果、发现问题再改脚本，直到跑通。你拿到的不只是结论，还有完整的代码、中间输出和图表，任何一步都可以自己重跑一遍核对。这也是它和"直接让大模型算一下"最本质的区别——后者的数字是生成出来的，前者的数字是算出来的。
可以完成什么
数字是算出来的，不是生成的
所有统计量都由实际执行的代码产出，不是模型凭印象写出来的数。代码和运行日志一并交付，可以逐行核对。
会自己发现跑错了
脚本报错或结果明显不合常理时，它会读报错信息、定位问题、修改后重跑，而不是把错误结果当成答案交上来。
图表按发表标准出
坐标轴、图例、单位、误差棒该有的都有，可以直接放进论文或报告，不需要再返工排版。
它是怎么做到的
- 数据体检统计缺失与异常情况，检查变量类型与单位，把发现的问题连同处理建议一起告诉你。
- 确定分析方案根据你的研究问题选择合适的方法，并说明为什么选它、前提假设是什么、哪些情况下不适用。
- 写代码执行并自查写脚本、执行、读结果。遇到报错或异常结果会回头改脚本重跑，这个循环由它自己完成。
- 出图与解释产出图表并解释结果的含义与边界，包括哪些结论证据充分、哪些只能算是趋势。
用法示例
问卷数据的分组比较
这是我的问卷数据，想看看三组被试在这几个量表得分上有没有差异，该用什么方法你来判断。
先拿到数据质量报告（含两处异常值提示），然后是方法选择理由、检验结果、事后比较，以及一张可直接用于论文的分组对比图。
业务数据找影响因素
这份销售数据里，帮我找出影响转化率的主要因素，并说清哪些是相关、哪些能谈得上影响。
一份包含变量筛选过程、模型结果与稳健性检查的分析，明确区分了统计相关与可推断的影响，附完整代码。
常见问题
它和直接问大模型"帮我算一下"有什么区别？
区别在于数字的来源。直接问，模型是根据语言概率"写"出一个像样的数；这里是写代码在真实数据上算出来，代码和中间输出都交给你，可以自己重跑验证。
支持哪些数据格式？
Excel、CSV 这些常见表格格式都支持，多张表可以一起上传做关联分析。数据量大时会分块处理。
分析结果可以直接写进论文吗？
图表和统计结果可以直接使用，代码可以作为补充材料。但方法是否契合你的研究设计、结论怎么表述，仍然需要你自己判断把关。
数据会被用去训练模型吗？
不会。上传的数据仅用于完成你当次的分析任务。