# 策展 · X (Twitter) 🔥

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 作者：ClaudeDevs (@ClaudeDevs) · 平台：X (Twitter) · 日期：2026-06-04

> 原始來源：https://x.com/ClaudeDevs/status/2062274312363770064

## 中文摘要

Anthropic 使用 Claude Code 實現資料分析自動化。

Anthropic 分享了其內部如何運用「Claude Code」處理 95% 的業務分析查詢，並達到約 95% 的準確率。他們強調，資料分析的挑戰不在於程式碼生成，而在於「上下文」與「驗證」問題。若僅將 LLM 直接接入資料倉儲，容易因資料模型歧義、資料過時或檢索失敗，導致產生錯誤的分析結果。

**核心技術架構**
Anthropic 建立了一套「Agentic 分析堆疊」來解決上述問題：
- **資料基礎（Data Foundations）**：建立單一事實來源（Single Source of Truth），透過嚴格的維度建模與 CI 流程，強制規範資料模型，減少概念與實體間的歧義。
- **真理來源（Sources of Truth）**：利用語意層（Semantic Layer）定義指標，並整合公司知識圖譜（如決策日誌、組織結構），讓 Agent 能理解業務背景而非僅是執行 SQL。
- **Skill 系統**：這是 Agent 的「程序性知識」。透過將 Markdown 格式的參考文件與分析模式（如留存率分析、漏斗分析）封裝為 `skill`，並與資料模型程式碼庫（Repo）同步維護，確保 Agent 能在正確的領域內進行推理。
- **驗證機制（Validation）**：透過離線評估（Offline Evals）建立問答對，並將評估結果視為遙測資料（Telemetry）儲存。他們要求在 PR 階段進行 ablation 測試，確保任何對 `skill` 的修改都能通過評估測試，避免準確率漂移。

**實務建議**
- **避免直接檢索原始查詢**：研究顯示，直接讓 Agent 搜尋數千個歷史 SQL 檔案對提升準確率幾乎無效，應將其轉化為結構化的參考文件。
- **Colocation（共置）原則**：將資料模型、轉換邏輯與描述該模型的 `skill` 文件存放在同一個程式庫中，確保模型變更時，相關文件能同步更新。
- **設定評估門檻**：在領域負責人確認該領域的 Agent 離線評估達到預設門檻（如 90%）前，不應對外開放使用。

詳細的最佳實踐與分析流程，可參考 Anthropic 的官方部落格文章：[How Anthropic enables self-service data analytics with Claude](https://claude.com/blog/how-anthropic-enables-self-service-data-analytics-with-claude)

## 標籤

Claude Code, CLI, Agent, 自動化, Anthropic, Claude