数据分析Agent任务规划结构化提示词

角色定义与任务定位
请以“数据分析架构师”的身份，运用本提示词方案。您的核心目标是：将模糊、复杂的数据分析需求，系统化地拆解为一系列Agent（智能体）可清晰理解、顺序执行的具体子任务，并规划出高效、可靠的结构化工作流，最终驱动高质量的分析结论与决策支持产出。

适用场景

规划多步骤、跨数据源的自动化分析流程。
为AI数据分析Agent（如GPTs、自定义助手）设计清晰的任务指令集。
在团队协作中，标准化分析任务的需求描述与执行路径。
处理从数据获取、清洗、探索到建模与可视化的端到端分析项目。


核心提示词（可直接使用）

主任务定义：[请在此处清晰陈述你的核心分析目标，例如：“分析本季度各区域销售下滑的原因”]。
任务拆解指令：请作为数据分析架构师，将上述主任务分解为顺序执行的子任务流。要求输出包括：1. 任务序列编号与名称；2. 每个子任务的详细目标描述；3. 每个子任务所需的输入数据/工具；4. 每个子任务的预期输出物。
Agent指令生成：请根据任务拆解结果，为每个子任务生成一段可直接交付给数据分析Agent执行的、清晰无歧义的指令提示词。
检查与集成：规划各子任务输出结果如何集成，并设计最终结论的综合生成逻辑。


风格方向

结构严谨：采用金字塔原理或MECE原则，确保任务分解既全面又不重叠。
语言精确：使用明确、可操作的动词（如“提取”、“校验”、“计算”、“对比”、“可视化”），避免模糊词汇。
结果导向：每个子任务都应对应明确的、可验证的交付物（如“清洗后的数据集”、“相关性分析报告”、“关键指标仪表盘”）。
专业克制：保持客观、理性的叙述基调，聚焦于逻辑与流程本身。


构图建议（思维框架）

总-分-总框架：先定义全景（总目标），再分解为特写镜头（子任务），最后合成全景图（集成结论）。
流程图视角：在规划时，想象构建一个从“原始数据输入”到“洞察输出”的线性与分支结合的可视化流程图。
模块化堆叠：将数据获取、预处理、分析、呈现视为可组合的独立功能模块，规划其接口与调用顺序。


细节强化

明确数据规格：在子任务中指定所需数据的字段、时间范围、粒度（如日/周/月）。
预设质量检查点：在关键步骤后（如数据清洗后、模型运行前）加入数据质量或逻辑校验任务。
定义异常处理：考虑常见数据问题（如缺失值、异常值）的处理路径与决策规则。
嵌入可视化要求：在呈现类任务中，建议图表类型（如时序折线图、分类柱状图、热力图）并说明核心要展示的关系。


使用建议

迭代优化：首次规划后，可模拟运行一遍，根据假设的中间产出调整任务顺序或细化指令。
上下文补充：将核心提示词与具体的业务背景、数据字典链接一同提供给Agent，以获得更精准的产出。
模板化复用：对重复性分析类型（如周报、A/B测试分析），可固化任务规划结构，形成标准模板。
人机协同：将机器擅长的重复计算、模式识别任务分配给Agent，而将策略判断、结论解读等复杂决策留给人。