第一章 数智分析即技能化

第一节 从"工具"到"技能"的认知跃迁

两种学习路径的分野

学数据分析，传统路径是"一个工具接一个工具"：先学Excel，再学SQL，再学Python，再学可视化……每个工具单独学一遍，学完发现换一个工具又要重新开始。工具之间是散的，知识是碎的，遇到新问题仍然不知道从哪下手。

另一种路径只学一套思维框架：数据从哪来（采集）→数据怎么变干净（处理）→数据说明什么（分析）→结论怎么用（应用）。框架不变，工具只是框架每个环节上的"可替换零件"——今天用Excel做采集，明天换API，后天换大模型，环节还是那四个环节，思维还是那套思维。这就像学开车与学修车的区别：前者掌握的是"把车开走"的系统能力，后者掌握的是"每个零件怎么拆装"的局部知识。工具会过时、会被替代，而"数据到决策"的框架不会。

由此引出全书最关键的一次认知跃迁：把"我会用某个工具"升级为"我拥有某个技能"。技能不是工具本身，而是"输入—处理—输出"的稳定能力：输入原始数据，经过一套可复述、可复用、可迁移的处理逻辑，输出可验证的结果。工具可以换，技能不换；工具是别人的，技能是自己的。

数据全流程的三类技能

把"数据到决策"展开，绝大多数数智分析任务都落在四类技能上：采集（数据从哪来——API、文件、数据库、爬虫）、处理（数据怎么变干净——清洗、转换、标准化）、分析（数据说明什么——统计、建模、挖掘）、应用（结论怎么用——看板、报告、决策建议）。四类技能首尾相接，就是一条"Skill链"。

本书的实训主线——数字化转型指数——就是一条真实的Skill链。它从巨潮资讯网逐家下载上市公司年报文本（采集），对年报做词频统计与归一化（处理），用主成分分析（PCA）把多维词频压缩成一维指数（分析），最后把指数做成可视化看板并接入AI解读（应用）。整套数据覆盖5467家上市公司、61410条企业-年份记录、85个行业——这不是虚构的示例数据，而是本书实训平台上真实运行、可在线查询的指数体系。以年报文本构造企业数字化水平的做法，已有系统的学术依据：杨德明与刘泳文（2018）的实证研究表明，企业的数字化实践显著提升了经营业绩——数字化转型的经济效应可被可靠度量，正是这种测度方法得以成立的基础^[1]——本书实训正是把这一成熟方法搬上零代码平台。

图1-1 数字化转型指数：一条完整的Skill链

在平台上验证

打开实训平台的"数字化转型指数"应用（实训平台应用库 zhenyuonline.cn ，digital-index-api 提供数据服务），输入任意一家上市公司代码，你会看到它历年数字化转型指数的变化曲线；再打开指数看板，能看到行业分布与年度对比。你看到的每一个数字，背后都是"采集→处理→分析→应用"四个环节在自动运转——这就是一条Skill链的活体标本。第一节不必动手搭建，先建立"一个结果背后是一条链"的直觉：看得见的是指数，看不见的是链。

第二节 大模型：理解与生成

为什么大模型是"通用"的

2017年，Google团队发表《Attention Is All You Need》，提出Transformer架构^[2]，此后大模型的能力沿着"规模"这条曲线一路爬升：参数量从亿级到万亿级，训练语料从维基百科到整个互联网。大模型与以往AI系统的根本区别在于通用性：过去一个系统只能干一件事（识别猫、翻译句子、下围棋），大模型却能理解任意自然语言指令、生成任意格式的输出——写代码、做分析、总结报告、设计图案，靠的是同一套能力。2022年，Wei等人发现，仅仅在提示中给出"一步一步思考"的示范，就能显著激发大模型的推理能力（思维链，Chain-of-Thought）^[3]——"理解"与"生成"这两项能力，成为一切AI应用的地基。

大模型如何驱动数据分析

图1-2 大模型驱动数据分析：翻译官+协作者

在数智分析里，大模型扮演的不是"计算器"，而是"翻译官+协作者"。它把三件过去只有人能做的事自动化了：一是理解需求——你说"看看今年软件行业的表现"，它知道你要比较、要趋势、要结论；二是组织逻辑——它能把模糊需求拆成可执行的分析步骤；三是生成表达——把计算结果翻译成一句人能听懂的话，甚至生成一段报告。传统数据分析的瓶颈从来不是算力，而是"业务语言"与"数据语言"之间的翻译成本；大模型的本质，是把这层翻译成本几乎降到了零。

但必须清醒地看到大模型的能力边界。它的知识截止于训练时刻——2023年以后发生的事、实时变化的行情、企业内部的私有数据，它一概不知道；它会一本正经地编造不存在的数字（幻觉）；它的推理在复杂多步任务上仍然不稳定。正因为有这些边界，本书才需要后两节的Agent与Skill：大模型负责"想"，Agent负责"干"，Skill负责"标准动作"——三者各管一段，扬长避短。

在平台上验证

打开本书实训平台的对话助手 Hermes Lite（https://zhenyuonline.cn/hermes-lite/），输入："查一下数字化转型指数的含义，并用一句话解释。"注意观察：它先检索了平台的知识库（你能看到检索过程提示），再基于检索结果作答——"先查后答"就是大模型与外部数据协作的最小形态，也是第2章要展开的检索增强生成（RAG）的雏形。再输入："把'学生成绩分析'这个需求拆成三个步骤。"看它如何把模糊需求组织成清晰逻辑。两次对话之后你会发现：大模型本身不会自动产生数据价值，但它是把人的意图转成数据操作的第一道闸门。

本书的LLM生态：四类模型各管一段

本书实训平台上的大模型不是一种，而是一个生态，按能力分成四类。通用对话推理型（如DeepSeek与Hermes内置模型）负责理解需求、拆解任务、生成报告——平台的对话助手、AI解读都靠它；规则引擎型（轻量级LLM，如沪深300预测里的策略引擎）负责按既定逻辑执行计算，快而稳，但不会"发挥"也不会"发挥失常"；文生图模型（如即梦API）负责把文字需求变成图案——智绘故事工坊、文化衫设计都走这条链；语音合成模型负责把文字变成声音——故事工坊的配音就是它。四类模型对应四种能力，本书第2章会系统对比它们的机制与选型。记住一句话：选模型不是选最聪明的，而是选最合适的——报表解读要的是准确，图案生成要的是创意，各取所需。

第三节 Agent：智能体的起源、方法与选择

一段七十年的溯源

"智能体"不是新词。1950年，图灵在《计算机器与智能》中提出"机器能否思考"之问^[4]；1995年，Wooldridge与Jennings给出了智能体的经典定义——"处在某个环境中、能感知环境并自主行动以实现目标的系统"^[5]。此后三十年，智能体从实验室走向个人助手（Siri、Alexa），再走向今天的LLM智能体。真正的质变发生在2022年前后：Yao等人提出ReAct范式，让大模型在"推理（Reason）"与"行动（Act）"之间交替循环^[6]——先想清楚下一步，再调用工具去做，观察结果，再想。从图灵之问到ReAct，机器完成了从"能答"到"能办"的跃迁。

四种工作方法

图1-3 ReAct循环：思考→行动→观察→再思考

今天的Agent有四种主流工作方法。ReAct：思考→行动→观察→再思考，最基础也最通用；Plan-and-Execute：先把任务拆成计划再逐步执行，适合步骤明确的复杂任务；Reflection：每次行动后自我复盘、修正策略，适合需要迭代优化的任务；多Agent协作：多个Agent分工（串行/并行/主从），把组织分工搬进数字世界。四种方法不是互相替代，而是适用不同任务形态——本书第3章会逐一展开，这里先建立"Agent有方法可循"的认知。

选框架还是选方法？市面上的Agent框架（Hermes Agent、LangChain、AutoGen、Dify等）各有定位：有的强在轻量编排，有的强在多Agent对话，有的强在低代码可视化。本书实训平台选用Hermes Agent，原因很直接：它的Skill体系与本书"LLM+Agent+Skill"的认知框架完全同构——你在书里学到的每一个概念，在Hermes里都能找到对应的实体。框架的选择本质是"能力需求×工程约束"的匹配，没有最好，只有最合适。

在平台上验证：跑通股票估值Agent

打开股票估值工具（https://zhenyuonline.cn/stock-valuation/），输入一只股票代码（如000001）。你会看到它完整走完一条Agent链路：采集行情与财务数据→补齐模型参数→计算DDM与CAPM估值→生成估值卡片与AI解读。注意观察执行过程：它先取数（采集），再计算（处理/分析），最后生成解读（应用）——每一步都看得见，这就是一个"你派我干"的Agent在真实运行。对比一下第一节的数字化转型指数：一个是查指数（一条链），一个是估值（另一条链）——不同的应用，同样的四类技能，同样的Agent编排逻辑。这就是本书反复强调的：学会一套框架，而不是学会一个工具。

第四节 Skill：可复用的能力单元

什么是Skill

图1-4 一个Skill的三要素：输入→处理→输出

Skill（技能）是本书框架的第三块积木：一个可复用的能力单元，由三要素构成——输入（它接收什么）、处理（它内部做什么）、输出（它产出什么）。以"评论清洗Skill"为例：输入是原始评论文本，处理是去重、去噪、标准化，输出是干净的评论数据表。三要素说清楚了，这个Skill就可以被任何Agent调用，也可以被任何章节复用——第15章的速卖通评论分析要用它，第16章的过程化考核数据清洗也要用它。

为什么技能是可复用的资产

工具会过期，技能不会；数据会失效，方法不会。一次编写、处处调用，意味着把一次性的劳动沉淀为可复用的资产——这正是"技能化"与"自动化"的分野：自动化是写死一条路，技能化是沉淀一种能力。值得一提的是，连大模型自己也在"技能化"：Schick等人2023年的Toolformer研究表明，语言模型能够在"直接回答"与"调用工具后回答"的对比中自发学会使用工具^[7]——工具调用正在成为大模型的默认技能。当模型和人都以"技能"为单位组织能力时，"技能"就成了一种通用的能力语言。

在平台上验证：拆解股票估值Skill

回到股票估值工具，用三要素法拆解它：输入（股票代码）、处理（行情获取+模型参数+DDM/CAPM计算）、输出（估值卡片+AI解读）。拆完之后你会看到，这个看起来复杂的应用，本质是三个Skill的串联——采集Skill（取行情）、建模Skill（算估值）、报告Skill（生成解读）。再用同一个拆法去看数字化转型指数应用，你会发现拆出来的还是这三类。换个应用再拆一遍，Skill思维就建立了——这就是本节的验证目标：不要求你写代码，要求你"看任何应用，都能拆出它的Skill链"。

第五节 全流程体验：跑通一条Skill链

最小闭环：四步走完

图1-5 最小闭环：四步走完一条Skill链

理论说得再多，不如亲手跑一遍。一条Skill链的最小闭环只有四步：采集（拿到数据）→处理（让数据可用）→分析（算出结论）→应用（展示与解读）。四步首尾相接，就是一个完整的数智分析任务。

在平台上验证：跑通股票估值工具

打开股票估值工具（https://zhenyuonline.cn/stock-valuation/），选一只股票（如贵州茅台600519）。第一步看数据从哪来（采集：行情与财务数据接口）；第二步核对模型参数（处理：无风险利率、贝塔、增长率）；第三步对比两个模型的结果（分析：DDM与CAPM的估值差异）；第四步验证估值卡片与AI解读（应用：结论是否可解释、可溯源）。四步走完，你就跑通了一条真实运行在公网上的Skill链——不是演示，不是截图，是你亲手操作、亲眼验证的结果。

进阶：再跑另外两条链。打开沪深300预测工具（https://zhenyuonline.cn/hs300-predictor/），看它如何把采集到的成分股数据变成预测结果；打开速卖通评论分析（第15章实训），看评论文本如何变成情感洞察。跑完三条链，你会发现：应用千变万化，链的骨架始终是那四步。

值得想一想

同样是"让AI干活"，你在Hermes Lite里"说一句话"和在股票估值工具里"点几个按钮"，体验的差别是什么？前者是Agent替你干活，后者是你亲手验证Agent怎么干活——从使用者到设计者，这是本章想带你完成的一次身份跃迁。第一章到此为止，但"LLM+Agent+Skill"这套框架才刚刚开始：第2章深入大模型，第3章拆解Agent，第4章修炼Skill化思维，之后每一章都是一个领域的实战——所有章节共享同一个认知框架。

章末小结与追问

本章回答了一个问题：在工具爆炸的数字时代，什么才是稀缺能力？答案是"数智分析即技能化"——用LLM理解与生成、用Agent编排与执行、用Skill沉淀可复用的能力，把"会用工具"升级为"拥有技能"。数字化转型指数、股票估值、沪深300预测，这些真实应用背后是同一条Skill链、同一套认知框架。书读到这里的你，已经从"看热闹"进入了"看门道"。

留三个问题给你想一想：

1. 工具会过时，技能不会——你日常工作中最值得"技能化"的一个重复性任务是什么？如果把它做成Skill，输入、处理、输出分别是什么？
2. "大模型负责想、Agent负责干、Skill负责标准动作"——以你熟悉的某个业务为例，三者各管哪一段？边界划在哪里最合适？
3. 本章的三条Skill链（数字化转型指数、股票估值、沪深300）共享同一套框架——你能找出它们四个环节里"最不一样"的那个环节吗？为什么？

参考文献

1. [1] 杨德明, 刘泳文. "互联网+"为什么加出了业绩[J]. 中国工业经济, 2018(5).
2. [2] Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]. Advances in Neural Information Processing Systems 30, 2017.
3. [3] Wei J, Wang X, Schuurmans D, et al. Chain-of-thought prompting elicits reasoning in large language models[J]. arXiv preprint arXiv:2201.11903, 2022.
4. [4] Turing A M. Computing machinery and intelligence[J]. Mind, 1950, 59(236): 433-460.
5. [5] Wooldridge M, Jennings N R. Intelligent agents: Theory and practice[J]. The Knowledge Engineering Review, 1995, 10(2): 115-152.
6. [6] Yao S, Zhao J, Yu D, et al. ReAct: Synergizing reasoning and acting in language models[C]. International Conference on Learning Representations, 2023.
7. [7] Schick T, Kwon J, Ziegler J, et al. Toolformer: Language models can teach themselves to use tools[J]. arXiv preprint arXiv:2302.04761, 2023.

数据与平台：本章实训绑定 zhenyuonline.cn 真实应用（Hermes Lite / 股票估值 / 数字化转型指数 / 沪深300预测）。页面渲染图均为平台实测截图。

数据与平台：本章实训绑定 zhenyuonline.cn 真实应用（Hermes Lite / 股票估值 / 数字化转型指数 / 沪深300预测）。页面渲染图均为平台实测截图。