将用户的数据分析需求转化为结构化的分析计划并与用户确认。用户提出 BI 业务分析、数据探索、统计建模等需要规划的分析任务时使用。简单数据查询、公式明确的定量计算等流程简单、无需规划的任务不使用。
The English summary is being prepared. Showing the original description.
agentscope-ai/QwenPaw-Data166Updated Oct 20, 2026
FreePublished on GitHub
query-odps
MaxCompute（ODPS）只读 SELECT 写法与执行纪律。**以下场景必须立即加载**：生成、改写或提交任何 ODPS / MaxCompute SQL（SELECT、WITH、JOIN、子查询、nl2sql）；覆盖方言、分区、结构纪律、优化、字面量取值、执行纪律与失败回退。
The English summary is being prepared. Showing the original description.
See how to installFiles included (7)
- SKILL.md2.6 KB
- references/dialect-rules.md2.2 KB
- references/error-recovery.md1.6 KB
- references/partition-semantics.md1.8 KB
- references/performance.md1.7 KB
- references/sql-correctness.md2.6 KB
- references/value-discovery.md1.6 KB
SKILL.md (original)
Review the instructions the agent will receive before you install.
query-odps
MaxCompute 只读 SELECT 的域规则：怎么写对 SQL、怎么优化、怎么自检、怎么执行、失败如何回退。
禁止：直连 PyODPS；绕过标准执行通道自写 CSV。
规则索引
| 场景 | 读 |
|---|---|
| 写 SQL（方言） | references/dialect-rules.md |
| 分区 / MAX_PT | references/partition-semantics.md |
| SELECT 结构 | references/sql-correctness.md |
| 性能 / 扫描 | references/performance.md |
| 业务字面量 → 库内值 | references/value-discovery.md |
| 失败回退 | references/error-recovery.md |
核心原则
- 先取证 — 无元数据不臆测表名、列名、口径。
- 过滤值与 JOIN 键先定再写 SQL — 时间范围、分区边界、维度筛选、业务字面量对应的库内取值等 全部确认 后再生成 SQL；不得在 WHERE 里留臆测的枚举或占位过滤值。未映射的字面量确认参考
value-discovery.md。涉及 JOIN 时同理：写 ON 之前先对齐左右两边的连接键——列名是否同一实体、类型是否一致、格式是否同口径（如user_id是否都带前缀、ds是yyyyMMdd还是yyyy-MM-dd、STRING 是否需TRIM/CAST）；禁止在未核实键格式时直接拼 JOIN。 - 分步查询，勿一次开大 SQL — 执行结果会落入 ODPS 临时表（如
cm_tmp_*），应拆成可快速校验的小步：探针 / 单表过滤 / 中间结果落表 → 再基于临时表做下一步。禁止 一次性提交超大、多表深 JOIN、长窗口的「一步到位」SQL；一旦口径或 JOIN 键有误，会等非常久才失败，用户无法及时发现问题。 - 性能纪律 + 执行前自检 — 写 SQL 前 必须读
references/performance.md（分区必过滤、列裁剪、先聚合再 JOIN 等）；定稿后再对照performance.md、partition-semantics.md等 references 自检，明显违规 不得执行。ODPS 按扫描量计费，忽视此项会导致超时或严重资源浪费。 - 只走标准执行通道 — SELECT 仅经平台提供的执行通道提交；禁止 PyODPS 直连或自写 CSV。结果落盘路径由运行环境决定；
truncated须在回复中说明；禁止把超大结果全量贴进对话。
Reviews
No reviews yet. Tell others what you thought.
Comments
No login needed. Share how it worked for you, ask a question, or note where it did not run.
No comments yet. Be the first to write one.
More skills from this repository
通过量化历史数据的自然波动幅度，自适应计算判定阈值。当需要从数据本身确定阈值（如波动阈值、影响度阈值等）、而非使用固定值时调用。仅适用于日/周粒度阈值确定。
The English summary is being prepared. Showing the original description.
agentscope-ai/QwenPaw-Data166Updated Oct 20, 2026
基于阈值检测时间序列中的显著异常波动点。当需要找出指标异常波动日期、识别数据异动时调用。
The English summary is being prepared. Showing the original description.
agentscope-ai/QwenPaw-Data166Updated Oct 20, 2026
计算各维度（组）值对指标变动的贡献度，支持可加型量值指标和加权平均型/率值指标。当需要计算贡献度、解释指标"为什么涨/跌"时调用。
The English summary is being prepared. Showing the original description.
agentscope-ai/QwenPaw-Data166Updated Oct 20, 2026
从运营周报、活动文档、对话输入或文档工具 API 中提取业务事件，与指标异常时间窗口对齐，生成有证据支撑的因果归因假设并排序。当已知指标存在异常波动、需要从外部文档证据中解释"为什么"时调用。
The English summary is being prepared. Showing the original description.
agentscope-ai/QwenPaw-Data166Updated Oct 20, 2026
bi-clustering
Free对用户、产品等业务对象做分群：用波士顿矩阵法做象限分群，或用分层聚类、K-means、DBSCAN 等聚类技术分群。当需要做客群/产品分群、象限策略、画像或密度型子结构发现时调用。触发条件：当对话中出现“分群”、“分类”、“聚类”、“不同类型”、“不同场景”等体现分群分析词语时触发。
The English summary is being prepared. Showing the original description.
agentscope-ai/QwenPaw-Data166Updated Oct 20, 2026