Data Cog - 你的数据有答案，CellCog 找到它们

从上传的文件中进行数据分析与可视化。

大多数 AI 工具在你询问数据时返回的是代码。而 CellCog 返回的是实际结果——真正的图表、干净的数据集、统计报告和可视化仪表板。只需上传混乱的 CSV 文件并给出简短提示，CellCog 的编码代理就会探索你的数据，发现其中的模式，并以美观的方式呈现结果。全程支持 Python 能力，涵盖从数据清洗到机器学习模型评估的所有操作。

如何使用

在会话中首次使用 CellCog 任务时，请阅读 cellcog 技能文档以获取完整的 SDK 参考信息——包括文件处理、聊天模式、超时设置等。

OpenClaw（无需等待）：

result = client.create_chat(
    prompt="[你的任务提示]",
    notify_session_key="agent:main:main",
    task_label="my-task",
    chat_mode="agent",
)

除 OpenClaw 外的所有代理（阻塞直到完成）：

from cellcog import CellCogClient
client = CellCogClient(agent_provider="openclaw|cursor|claude-code|codex|...")
result = client.create_chat(
    prompt="[你的任务提示]",
    task_label="my-task",
    chat_mode="agent",
)
print(result["message"])

Data-Cog 的独特之处

代码是工具，而非输出结果

其他 AI 工具会给你一段 Python 代码并说“运行这个”。而 CellCog 会为你执行代码，直接交付结果：

你上传数据。你获得答案。代码在后台自动运行。

你可以完成的数据工作

探索性数据分析

快速理解你的数据：

• 数据集概览：“分析这个 CSV —— 分布、缺失值、异常值、相关性以及数据质量摘要”
• 模式发现：“这份销售数据中存在哪些模式和趋势？给我惊喜一下。”
• 异常检测：“在这份服务器日志数据中找出异常模式——什么看起来不正常？”
• 关系分析：“在该数据集中，哪些因素最强烈地影响客户流失？”

示例提示：

“分析这个数据集：

<SHOW_FILE>/path/to/customer_data.csv</SHOW_FILE>

我对这个数据了解不多。请提供：

• 总体情况：行数、列数、数据类型、缺失值
• 关键分布与统计摘要
• 最有趣的关联关系
• 异常值或数据质量问题
• 3–5 个突出的发现

以交互式 HTML 报告形式呈现，包含图表。”

数据清洗与转换

将混乱的数据整理成可用格式：

• 清理混乱数据：“清理这个 CSV —— 修复不一致的日期格式，处理缺失值，删除重复项，统一列名”
• 数据转换：“将这些交易数据按产品类别汇总为月度报表”
• 数据合并：“将这三个 CSV 文件基于 customer_id 合并，生成一个统一数据集”
• 特征工程：“从这份原始数据中创建有助于预测房价的有用特征”

示例提示：

“清理并转换这个数据集：

<SHOW_FILE>/path/to/messy_data.csv</SHOW_FILE>

我知道的问题包括：

• 日期格式混用（MM/DD/YYYY 和 YYYY-MM-DD）
• 'Revenue' 列部分数值带有 $ 符号和逗号
• 存在重复行
• 'Region' 列有缺失值

清理后返回一份干净的 CSV，并附上你所做的修改说明。”

统计分析

严谨的分析，基于真实数据：

• 假设检验：“我们的 A 与 B 变体之间转化率是否存在显著差异？”
• 回归分析：“在该 HR 数据集中，哪些因素能预测员工薪资？构建回归模型。”
• 时间序列分析：“分析这份月度收入数据——趋势、季节性，并预测未来 6 个月”
• 用户分群分析：“按注册月份创建用户留存的分群分析”

示例提示：

“我在结账页面上进行了 A/B 测试：

<SHOW_FILE>/path/to/ab_test_results.csv</SHOW_FILE>

字段：user_id, variant (A 或 B), converted (0/1), revenue, timestamp

请告诉我：

• B 版本是否具有统计学意义的优势？（p 值、置信区间）
• 转化率差异
• 每用户收入差异
• 样本量是否足够？
• 我的建议：上线 B 版本还是继续测试？

用清晰的图表和通俗易懂的结论呈现。”

可视化与报告

将数据转化为视觉故事：

• 图表生成：“根据这份数据创建一组展示季度表现的图表”
• 仪表板报告：“基于这份销售数据构建一个可交互的仪表板，支持按地区和产品筛选”
• 演示级图表：“从这份研究数据中创建出版级别的图表”
• 对比可视化：“可视化我们的指标与行业基准的对比情况”

机器学习

无需繁琐配置即可应用机器学习：

• 分类任务：“基于这份数据预测客户是否会流失——训练模型并展示特征重要性”
• 聚类分析：“根据行为将这些客户划分为若干群体——有多少个自然聚类？”
• 预测建模：“使用历史数据预测下一季度的销售额”
• 模型评估：“我已训练好模型，这是预测结果。请评估：准确率、精确率、召回率、混淆矩阵、ROC 曲线”

示例提示：

“从这个数据集中预测客户流失：

<SHOW_FILE>/path/to/customer_features.csv</SHOW_FILE>

目标列：'churned'

• 训练模型，尝试至少两种算法
• 展示特征重要性——哪些因素导致流失？
• 混淆矩阵和ROC曲线
• 用通俗易懂的中文总结：“客户流失的前三个原因是……”
• 基于发现提出可执行的建议

我需要的是洞察，而不仅仅是指标。”

支持的数据格式

输出格式

数据分析聊天模式

**大多数数据任务推荐使用 "agent"。** 数据清洗、探索性分析（EDA）、图表生成和标准统计分析在 agent 模式下表现良好。

**复杂分析项目推荐使用 "agent team"** —— 多方法分析、机器学习模型对比，或需要深入理解数据含义的场景。

示例提示

最简提示，最大洞察：

“分析这个数据：

<SHOW_FILE>/path/to/data.csv</SHOW_FILE>

告诉我所有有趣的内容。”

仅此而已。CellCog 的代码代理将自动完成数据概览、探索性分析、模式识别，并以图表形式呈现发现。你无需知道该问什么——代理会自行判断。

业务分析：

“分析我们的电商数据：

<SHOW_FILE>/path/to/orders.csv</SHOW_FILE>

我需要：

• 收入趋势（每日、每周、每月）
• 表现最好和最差的产品
• 客户购买频率分布
• 平均订单价值趋势
• 季节性规律
• 提升收入的前5条可执行建议

输出为交互式 HTML 仪表板，包含所有图表。”

研究数据分析：

“分析这份来自500名受访者的调查数据：

<SHOW_FILE>/path/to/survey.csv</SHOW_FILE>

研究问题：

1. 年龄组与产品偏好之间是否存在显著关联？
2. 不同地区满意度得分是否有差异？（ANOVA）
3. 哪些因素最能预测推荐意愿？（回归分析）

包含：统计检验、p值、效应量，以及适合发表的图表。

输出为 PDF 报告格式。”

更好数据分析的技巧

1. 直接上传并提问：无需逐列描述。CellCog 会自动读取数据并识别内容。

1. 明确你的问题：“什么导致客户流失？”比“分析这个数据”更聚焦。两者都有效，但前者能更快获得结果。

1. 说明受众：“给我的CEO看”意味着要提供高层摘要；“给数据团队看”则需展示分析方法。

1. 说明用途：“我要向董事会汇报” vs “我需要干净数据用于机器学习管道”——上下文会影响输出形式。

1. 不要过度指定方法：让 CellCog 自主选择合适的统计方法。重点是想了解什么，而不是必须用哪个算法。

1. 迭代推进：上传数据 → 获取初步分析 → 提出后续问题 → 深入挖掘。CellCog 会在多轮对话中保持上下文。

如果未安装 CellCog

运行 /cellcog-setup（或根据工具不同使用 /cellcog:cellcog-setup）进行安装与认证。

OpenClaw 用户：请运行 clawhub install cellcog。

手动安装：执行 pip install -U cellcog 并设置 CELLCOG_API_KEY。详见 cellcog 技能的 SDK 文档。