AI 辅助统计分析与结果解释
把分析流程
搭成智能体
从一张框架地图出发,搭一条 Dify 工作流,再用 DSH Research Lab 跑通教育与公共卫生研究,把可复现的工具交给别人使用。
从框架地图开始 ↘已有统计基础也能直接跳到实操。每个关键步骤都有「交给 AI」与「自己操作」两条路径。
先认清智能体的零件
聊天模型负责生成回答。把它接入工具、状态和执行循环,才开始形成能完成任务的系统。
选择行动
观察结果并继续
本讲的分工:人确认研究设计与分析方法 → 程序计算 → AI 解读 → 人核验。工作流可以包含智能体节点,智能体也可以调用固定工作流。
框架地图:你想搭哪一种?
按主要开发入口分组。点击任一节点,查看它在分析任务中的位置、输入输出与代价。
可视化平台在画布里组织任务
运行框架与 SDK让工具围绕模型运行
代码编排库自己决定状态与控制流
LangChain 的 Agent 基于 LangGraph;LangGraph 也可以单独使用。
同一件事怎么实现?展开横向对照
| 路线 | 谁安排下一步 | 计算在哪里 | 如何给别人用 | 主要维护成本 |
|---|---|---|---|---|
| Dify / Coze | 画布节点与分支,也可调用 Agent | 代码节点或外部统计 API | 发布应用 / API,能力以版本为准 | 平台、插件、模型配置 |
| DSH + Research Lab | 智能体遵循协议与技能,调用脚本 | 本地或服务器 Python | 源码包 / Preset / 受控 Web 工作区 | 运行环境、权限、计算依赖 |
| Claude Agent SDK | SDK 提供循环,代码配置工具与权限 | 运行 SDK 的受控环境 | 自己封装服务与界面 | 服务、鉴权、会话与费用 |
| LangChain / LangGraph | Agent 循环 / 显式状态图 | 自己定义的工具与节点 | 自己封装 API 与前端 | 代码、持久化、观测与部署 |
把一次分析画成 Dify 工作流
先做一个能跑的小版本:输入数值数组,程序生成描述统计,模型解释。掌握变量传递后再接完整统计服务。
扩展到 t 检验、回归时:用 HTTP Request 节点调用受控的 Python 统计 API,再把 JSON 交给模型。不要假设 Dify 沙箱已安装 scipy / statsmodels,文件上传也需要单独解析。
查看这条工作流的提示词、代码和变量映射 ↗同一工作台,两种研究任务
DSH 提供执行环境,Research Lab 提供科研协议、技能和计算脚本。切换实验,观察哪些部分复用、哪些必须重新定义。
图像来自本地 dsh-research-lab v0.2.0 的脚本输出快照,页面切换不会重新训练。复现时以自己的 results.json 为准;原始数据、协议和完整指标见项目仓库。
从双实验首跑到定制自己的 Agent ↗同一步骤,两种做法
入门学员复制左侧提示词到能操作本机的 AI 编程工具;熟悉环境的学员使用右侧命令。网页聊天工具只能给指导,不能直接替你安装。
交付时,别人拿到什么?
选择交付形态,再决定构建和部署方式。Python 科研脚本通常直接运行;源码包、静态报告与在线智能体有不同的运行要求。
课堂验收:让另一位学员实际用一次
- 用一份正常输入完成运行,指出每个结论的数据与输出来源。
- 再提交空数组、缺列或错误编码,确认流程明确报错或要求修正。
- 在新目录解包并安装,复跑同一实验,与原结果核对。
- 分享链接时,换一个浏览器测试访问权限,确认密钥留在服务端。
- 留下版本、协议、提示词、计算代码和输出文件,记录需要人工判断的环节。
资料与版本
教学内容核对日期:2026-10-23。DSH 实操基线为 0.2.1-rc.2,Research Lab 为 v0.2.0。其余项目按官方文档安装,课堂前记录实际版本;界面、插件和部署参数随版本变化。
课程衔接:统计方法与结果解释导图。理论用来约束方法选择和核验;本页用来搭建、运行和交付。