文件版本之外：用 Change Context 留下分析判斷的轉折
文件版本能留下修改，卻未必留下改變判斷的原因。Change Context 將正式資產修改與當時的理由、證據引用一起記錄，也明確保留 unknown 與未確認的邊界。
閱讀文章 →← 返回部落格
文章分類
AI 分析觀點
共 13 篇文章
與 AI 協作分析後，我為什麼改用 SQL-first？
Python 的靈活曾讓分析很方便，也讓 Agent 產出的腳本、依賴與中間結果更難掌握。這是我選擇 SQL-first 的取捨，以及仍然需要 Python 的地方。
閱讀文章 →AI 完成了分析，誰來解釋它為什麼這樣算？
AI 能快速交出結果，負責分析的人卻仍要理解分母、假設與被放棄的路徑。我如何把決策與證據留在工作區，減少接手與審閱時重建脈絡的成本。
閱讀文章 →通用 Agent 已經成熟，垂直應用還需要自己的 Agent 嗎？
我如何讓外部 Agent 保留通用能力，讓內建 Agent 深入資料分析工作流，最後接入同一個 Control Plane。
閱讀文章 →AI 把分析做快了，卻讓「這個結論怎麼來的」更難回答
當 AI Agent 開始找資料、寫 SQL、跑 Notebook 並修改報告，聊天紀錄與檔案版本已不足以保存完整證據鏈。本文說明為什麼數據分析需要 Analysis Lineage。
閱讀文章 →Skills 在數據分析中的侷限：為什麼 Skills 不足以承擔真實世界的數據分析？
Skill 能保存分析方法，也能打包特定案例的 SQL 與背景；但真實分析還包含資料版本、執行狀態、人類決策、證據與限制。本文說明為什麼分析需要一個可審閱、可重跑的工作環境。
閱讀文章 →AI Agent 和聊天機器人差在哪？從「回答問題」到「完成可驗收的工作」
AI Agent 不只是把回答寫得更長，而是能依狀態使用工具、推進多步工作並留下可驗收成果；本文用數據分析說明兩者差異、評估方式、適用情境與導入邊界。
閱讀文章 →AI 做數據分析，最危險的不是算錯，而是你不知道它怎麼算
AI 分析最難發現的是口徑、分母、JOIN 與時間窗造成的合理錯誤；本文提供 Plan、SQL、checkpoint、limitations 四層查核方法。
閱讀文章 →自然語言都能查資料了，為什麼 2026 年還需要 SQL？
自然語言能降低查詢起點，卻不能取代 SQL 對粒度、JOIN、篩選與聚合的可審閱證據；未來更合理的分工是 AI 起草、SQL 留證、人類審核。
閱讀文章 →為什麼正式分析要先寫 Plan，再讓 AI Execute？
先寫 Plan 的目的，是在取數前對齊決策問題、分母、粒度、時間窗與驗證方式；Execute 則把正式執行變成清楚的人類授權邊界，避免模糊假設先被跑成數字。
閱讀文章 →可重現的 AI 分析是什麼？從一個答案到一條可重跑的證據鏈
可重現的 AI 分析必須保留輸入資料、時間版本、轉換 SQL、依賴、執行紀錄與限制，讓他人能用同一條證據鏈重跑、核對關鍵數字並解釋新舊結果差異。
閱讀文章 →AI 分析工具、聊天 BI、傳統 BI：三者應該怎麼分工？
AI 分析 Agent、聊天 BI 與傳統 BI 解決的是不同階段：快速問答、探索口徑與穩定監控不應混為一談；本文提供五維選型矩陣與三個實務分工場景。
閱讀文章 →Local-first AI 數據分析：資料留在本機，究竟解決了什麼？
Local-first 可減少資料搬運、直接查本機檔案並保留可攜工作成果，但不自動等於完全離線或零風險；本文說清實際收益、資料流檢查與產品邊界。
閱讀文章 →