data-brief：基于AI与规则引擎的数据分析报告自动化生成系统

1. 项目概述：从“数据展示”到“决策驱动”的范式转变

在数据分析这个行当里干了十几年，我见过太多“精美但无用”的报告。它们通常有着漂亮的配色、规整的图表，以及一堆诸如“Q3数据呈现上升趋势，值得关注”的正确废话。决策者看完点点头，然后继续按照自己原有的认知和直觉做决定——报告成了流程中的一个装饰品，而非改变行动的催化剂。这正是我接触到>阶段加载文件核心任务与产出1. 需求摄入无明确报告受众（技术团队/业务负责人/高管）和业务背景。2. 数据剖析无运行profile_data.py，理解数据结构、分布、缺失值，生成数据概览。3. 模式狩猎PATTERN_HUNT.md执行7方向反直觉扫描，寻找数据中的异常模式。4. 洞察提炼与净化INSIGHT_RULES.md,ANTI_AI.md对候选洞察执行6项测试；应用禁用词表和句式黑名单，净化语言。5. 报告结构设计REPORT_TEMPLATES.md基于洞察和受众，规划报告的叙事结构和章节布局。6. 反幻觉验证无交叉核对洞察与原始数据，确保所有陈述均有据可查。7. 报告生成THEMES.md,CHART_LIBRARY.md根据选定主题和图表规则，生成最终的、自包含的 HTML 文件。8. 红队测试 (内部)无模型自我反驳，攻击并淘汰脆弱的洞察。9. 交付无输出最终的 HTML 报告文件。

注意：红队测试（第8阶段）对用户是透明的，它发生在报告生成之后、最终交付之前。如果洞察被大量驳倒，系统可能会回溯到更早的阶段重新分析，以确保交付物的质量。

3. 核心机制深度解析：如何保证洞察质量？

3.1 六重质量门禁：每一条洞察的“生存试炼”

这是>git clone https://github.com/carrielabs/data-brief.git \ ~/.claude/skills/data-brief

注意：~/.claude/skills/是 macOS/Linux 上的标准路径。在 Windows 上，路径通常是C:\Users\<你的用户名>\.claude\skills\。请确保目录存在。

方法B：手动下载与放置

1. 访问项目的 GitHub 页面（https://github.com/carrielabs/data-brief），点击Code->Download ZIP，将项目下载到本地并解压。
2. 将解压后的整个文件夹（应命名为># 检查Python版本，需要3.8+ python3 --version # 安装必要的库，如处理Excel文件所需的openpyxl pip install openpyxl pandas numpy

   即使没有 Python 环境，data-brief 的核心工作流依然可以运行，Claude 模型会尝试直接解析数据文件。但对于大型或复杂的 Excel 文件，使用 Python 脚本预处理会更可靠、更快速。

   4.2 触发分析与报告生成

   安装完成后，在 Claude Code 中与 Claude 对话，即可触发>