与 AI 协作分析 · 5/7
团队做过一次分析，不代表其他成员或下一个 Agent 就能接着做。
我认为 AI 在分析工作中一个容易被低估的价值，是让保存分析经验这件事，开始有机会在合理的成本内完成。
有数据、有业务知识，还缺什么？
盘点团队做分析时需要的信息，我会分成三类：
| 类型 | 保存的内容 | 活动分析中的例子与用途 |
|---|---|---|
| 数据上下文（Data Context） | 有哪些数据、去哪里查、栏位与指标怎么定义 | 活动埋点、参与率指标、Schema 与查询入口，让 Agent 知道数据怎么查 |
| 领域知识（Curated Domain Context） | 业务运作方式与整理好的方法 | 活动规则、用户分型、内部用语与 Skill，让 Agent 知道常用方法 |
| 分析经验（Experiential Analysis Context） | 实际试过的方法、证据、取舍与限制 | 曾排查活动入口资格而调整分母的案例，让接手者理解当时怎么判断 |
前两类比较容易被辨识成「应该整理的知识」，第三类则常常只留下交付物，其余散落在代码、聊天纪录和分析师脑中。
但「团队知道什么」，跟「团队曾经经历过什么」，提供的帮助其实不太一样。
团队做过，不代表团队里的人都能接着做
比如做活动参与分析，团队有活动埋点、参与率指标，也有整理好的活动分析方法，Agent 已经可以开始工作。
但上次分析同类活动时，我们可能先怀疑奖励吸引力不足，拆了几轮用户后，才发现部分新用户根本还没解锁活动入口。最后调整分母，才把「能参加但没参加」和「根本不能参加」分开。
交付的报告可能只留下调整后的参与率和分母定义。这很正常，报告是拿来支持决策的，主管也不一定想陪我们重走一次心路历程。
但对下一位分析师或 Agent 而言，中间那段经验很有用：遇到参与率偏低，可以先检查参与资格，再决定要不要往奖励设计下钻。
但下一次参与率偏低，也不代表又是资格问题。得知道当时比较了哪些人、看了哪些证据，才能判断这次哪些可以参考、哪些得重新验证。
现在这些经验的取得方式，常常是「我记得某某之前做过，你去问他」。新人得先知道要问谁，资深同事则得不断回忆并重讲一次（做过一次分析，附赠不限次数的售后服务）。
有些经验还不足以写成通用规则，但可以先连同条件、证据与走不通的方向保存成案例。让同事找到后能理解当时的选择，从已经验证过的位置继续分析，这些经验才比较有机会在团队里流通。
Agent 也是一样。只有 Schema 和 Skill，它知道数据怎么查、方法怎么用；再取得团队做过的案例，才有机会参考我们怎么排查、在哪里存疑、根据什么收敛。遇到情境差异时，也能提出更具体的问题。
我期待的「像团队成员一样分析」，就是能参考团队的历史经验，判断这次怎么接着做，并把新的发现留下来。
问题一直都在，AI 改变的是留下经验的成本
没有 AI 的时候，我们也知道应该写注释、整理 Notebook、留下口径和决策纪录。
只是当下正忙着拆问题、查异常，停下来整理会打断心流；等交付后再补，很多细节又已经忘了。最后常常是「有空再整理」，但下一个 deadline 已经在等了。
分析师得自己组织文字、找对应的 SQL 和结果，成本当下就得付，收益却可能几个月后才出现在另一位同事身上。大家知道有价值，也很难持续做。
与 Agent 协作后，有一个条件变了：它本来就在参与分析。
方法怎么调整、查询跑出了什么、哪些假设没有得到支持，很多信息已经出现在协作过程里。每完成一个阶段，就可以让它整理刚刚确认的决策、连上对应证据，再由我审阅。
我需要做的工作，天然就包含：「当下确认哪些值得留下、记得对不对」，那既然已经做了这个判断，不如在同一个时刻直接结构化记录下来，省得事后重新整理整段分析。
这也是我在 Lantide Data 里持续做的事：让分析交付物与形成它的过程一起保存，保留问题、计划、证据与判断之间的关系，让后续的人与 Agent 有脉络可以接手。
没说出口的判断仍然得补上，整理的内容也得确认，总不能让它把猜测写得很漂亮，我们就当成团队经验传下去。
对我来说，AI 带来的改变，是让这些过去很难持续整理的经验，有机会以合理的成本留下来。先让团队成员接住彼此的工作，再让 Agent 透过同一套脉络，参与团队的分析。
延伸阅读
在 Lantide Data 中试用这套分析工作方式：下载 Lantide Data。