实战案例 | TRAE数据分析全流程指南
实战教程
先理解：一条好的"数据采集 Prompt"长什么样
网页采集能不能成功、结果干不干净，七成取决于你的 Prompt 写得清不清楚。一条靠谱的采集 Prompt，通常包含五个核心要素（记住这个"黄金五要素"，后面所有采集任务都能套）：
| | |
| | |
| | |
| | |
| | |
💡
一句话区分好坏 Prompt： 差的 Prompt 让 AI 不停猜（抓哪些字段？几页？怎么排？存成啥？），好的 Prompt 让 AI 读完不用猜任何东西。缺了哪个要素，AI 就会在那里"自由发挥"，结果自然不可控。
直接用自然语言告诉 TRAE Work 你想如何提取数据
打开TRAE Work桌面端，新建任务 --> 在对话框中输入以下Prompt --> 点击发送：
代码块
Plain Text
今日日期。
访问 https://fund.eastmoney.com/data/fundranking.html ，提取基金排行榜中的所有基金数据。
需要的字段：排名、基金代码、基金简称、基金类型、最新净值、近1年收益率、近3年收益率、基金规模、基金经理。
处理规则：
1. 排除货币基金和短债基金
2. 按近一年收益率从高到低排序
3. 收益率保留两位小数
输出为 Excel 文件，文件名包含今日日期。
观察 TRAE Work 的思考与执行
发送后，TRAE Work 会自动打开网页、识别表格、逐页抓取，并自主调用浏览器操作和 Excel 处理能力完成清洗，整个过程你不用看懂任何代码，对话窗口里能看到它的思考和执行步骤，右侧还能同步看到它正在操作的页面，过程透明可追踪。
点击直接预览最终产物
最终它交付一个整理好的 Excel，点击即可在 TRAE Work 端内直接预览，也可以下载到本地查看。
50%
50%
可以看到几个细节正是它"靠谱"的地方：收益率自动去掉了百分号转成数字、基金规模统一成"亿元"、货币和短债基金被排除掉了、抓不到的"近3年收益率"如实填了"未获取"而不是瞎编。
实用技巧
1. 先判断这个网页"适不适合"采集
不是所有网页都能顺利抓。开工前对照一下：
| | |
| | |
| | |
💡
遇到需要登录的网站，TRAE Work 右侧浏览器会弹出登录页，你手动登录后它就能继续抓（过程中不会记录你的个人信息）详情请见下图。多页数据它能自动翻页/滚动，不用你手动操作。
50%
50%
2. 字段抓不全、格式乱怎么办？ 核心还是回到"五要素"，把"处理规则"和"注意事项"写细。比如明确"2.3万转成数字 23000""抓不到就填未获取"，AI 就会按规矩来，而不是给你一堆带单位的文本。
3. 数据量大、跨很多页怎么办？ 直接在 Prompt 里说明"如有分页请翻页抓全"即可，TRAE Work 会自动翻页累积。如果页数特别多，也可以分关键词/分类多跑几次，最后合并。
4. 想每天自动跑、不用手动发起？ 这是网页采集最香的玩法。采集任务调通后，直接用大白话告诉 TRAE Work：「把这个任务设成每个交易日早上 9 点自动执行，结果推送给我。」它就会把这条采集变成一个定时自动化任务，每天到点自动抓取、产出、推送到桌面端/手机端/网页端。老王那 20 分钟的晨间手工活，从此彻底交给机器。
50%
50%
任务设置完毕，可在对话流中查看；也可进入“自动化”页面，随时查看并修改任务设置。
50%
50%
场景 2：从不同格式文件中提取数据
本节你将学到：当你手里有一堆格式各异（PDF / 图片 / 文档）、信息散乱的文档（简历、合同、发票、名片……）时，如何用 TRAE Work 一次性把关键字段"抠"出来，整理成一张干净的表格。重点是怎么应对真实文档里的"脏、乱、缺"。
案例背景
小林是一家公司的 HR，每年金三银四的社招旺季，她的邮箱就会被简历淹没，比如她手里攒了 200 多份候选人简历 PDF。
过去她的工作流是这样的：一份份点开 PDF，眼睛在屏幕上来回扫，把姓名、电话、学历、薪资期望等信息一个个敲进 Excel。一份简历熟练操作也要 3-5 分钟，200 份就是大半天，眼睛看花、手指敲酸不说，还经常录错电话号码、看漏期望薪资。
她真正想要的，其实只是一张结构化的表格：每行一个候选人，每列一个关键字段，方便后续筛选（比如"挑出 5 年以上经验、期望薪资 25k 以内、在上海的候选人"）。简历本身的排版多花哨她并不关心。
这正是 TRAE Work 最擅长的活儿：从非结构化文档里抽取结构化信息。
实战教程
明确要提取哪些字段
动手前先想清楚"我要什么"。小林梳理出 8 个字段：
| |
| |
| |
| |
| |
| |
| |
| |
| |
💡 小技巧：字段定义里把"取值规则"也写清楚（比如"联系方式优先取手机号"），AI 才不会乱猜。这一步花 2 分钟，能省掉后面反复返工。
看看真实简历长什么样（脏数据预警）
真实简历从来不是整整齐齐的。下面是小林随手抽出的 3 份（已脱敏，仅作演示），注意它们的"不规则"之处——这恰恰是手动录入最容易出错、也最考验 AI 的地方：
代码块
Plain Text
========== 简历 1 ==========
张伟 男 | 1992.03 | 138-0013-8000 | zhangwei92@email.com
【教育背景】
2014.09-2017.06 复旦大学 计算机科学与技术 硕士
2010.09-2014.06 上海大学 软件工程 本科
【工作经历】
2020.07 至今 某大厂 高级后端工程师
2017.07-2020.06 某创业公司 后端开发工程师
【求职意向】
期望城市：上海
发现"坑"了吗？
•
格式五花八门：简历 1 用电话+邮箱并排，简历 2 用"字段：值"，简历 3 中英文混排。
•
缺失字段：李娜没填手机号（要回退到邮箱），也没填期望薪资。
•
薪资写法不统一："30-40k"、"10000/月"、还有人干脆不写。
•
干扰信息：王磊的城市写了"深圳 / 可接受广州"，到底填哪个？
•
多段教育/工作经历：要的是"最高学历"和"当前职位"，不能把所有经历都堆上去。
手动录入时，正是这些细节让人崩溃。下面看 TRAE Work 怎么一次搞定。
直接用自然语言告诉 TRAE Work 你想如何提取数据
把多个简历文件一次上传/直接拖入 TRAE Work 后，用下面这段 Prompt 告诉智能体你想要如何提取数据。
代码块
Plain Text
附件是一批候选人简历（PDF/文档），请你从每一份简历中提取以下 8 个字段，整理成一张表格。
【需要提取的字段】
1. 姓名
💡 这段 Prompt 为什么好用？
•
把缺失/异常的处理规则提前写死（"没有就填未填写，不要脑补"），这是防止 AI 编造的关键。
•
要求标注判断依据（备注列），让你能一眼看出哪些是 AI 推算的、需要复核。
•
明确"取最高学历""取当前职位"，避免它把多段经历全堆进去。
观察 TRAE Work 的思考与执行
TRAE Work 智能体会根据任务情况，自主调用内置 或 自定义技能（Skills）来更好地完成任务，这里TRAE Work自主调用了word、pdf 和 xlsx 技能，更高质量地处理各类格式的文件。
TRAE Work 智能体和普通Chatbot不一样的点之一在于，TRAE Work 还会对数据反复进行校验和核对，提高准确度；本案例中 TRAE Work 自动进行了 3 次校验与核对。
针对上面 4 份简历，TRAE Work 会输出类似这样的结构化表格：
注意几个细节，正是它"靠谱"的体现：
•
张伟的手机号自动去掉了分隔符（138-0000-0001 → 13800000001），方便后续使用。
•
李娜没手机号，自动回退到邮箱，且期望薪资如实填"未填写"而没有瞎编一个数字。
•
王磊的多城市问题，按规则取了"深圳"，并把"可接受广州"放进备注，判断过程透明可查。
实用技巧
实战中你一定会遇到下面这些情况，记住这几招：
| |
2. | |
3. | • • |
| |
| |
场景 3：快速生成 SQL 语句
本节你将学到：当你面对一个"逻辑绕、表又多"的复杂查询时，如何用 TRAE Work 快速生成一份高质量的 SQL 初稿，再由你来检查微调——把"从零写"变成"审改稿"，效率翻倍。同时学会让 AI 帮你解释逻辑、优化慢查询、排查报错。
案例背景
小陈是一家在线教育平台的数据分析师。这天运营负责人扔给他一个需求：
"帮我拉个数：过去 30 天内，完成了至少 3 门课程学习、并且最近 7 天内有登录行为的活跃学员，按城市分组，统计每个城市的人数、平均学习时长、续费率。"
小陈一看就知道这不是个简单查询：
•
涉及多张表 JOIN：用户、学习记录、登录记录、订单都要关联。
•
有多重过滤条件：30 天内、完成 ≥3 门、7 天内登录过。
•
要算续费率这种比率指标，得先定义清楚"续费"是什么。
•
大概率要用到子查询、聚合、甚至窗口函数。
小陈本身 SQL 功底不差，能看懂、能 debug、能优化，但要从一张白纸开始把这段逻辑捋顺、敲完、调通，没有 20-30 分钟下不来。他想的是：让 TRAE Work 先生成初稿，我来审和改，这样最省力。
这是用 AI 写 SQL 的黄金姿势：你负责把关，AI 负责打草稿。
实战教程
先把"表结构"喂给 TRAE Work
让智能体写 SQL 最重要的前提是它得知道你的表长什么样。小陈把相关 4 张表的建表语句整理出来，这是写好 SQL 最关键的一步，表结构给得越准，SQL 越能直接用：
代码块
SQL
💡 拿不到完整 DDL 怎么办？ 如果你手头没有建表语句，至少把表名、关键字段名、字段含义用大白话列给 AI（比如"orders 表里 order_type=2 表示续费"）。AI 最容易翻车的地方就是猜错字段含义，所以业务口径一定要交代清楚，尤其是像"续费率"这种需要定义的指标。
直接用自然语言告诉 TRAE Work 你想如何提取数据
代码块
Plain Text
你是一名资深数据工程师，精通 MySQL。请根据我提供的表结构和业务需求，写一段可直接运行的 SQL 查询。
【表结构】
（把上面 4 张表的 CREATE TABLE 语句原样粘贴在这里）
【业务需求】
统计"活跃学员"按城市分组的指标。活跃学员的定义需同时满足：
💡 这段 Prompt 的精髓在于：指标口径写得像需求文档一样精确（"续费率 = 有续费订单的活跃学员 / 全部活跃学员"），并且主动要求 AI 把模糊点的假设列出来。这样生成的 SQL 才不会"逻辑对、口径错"。
查阅 TRAE Work 的SQL产出
仅需二十秒，TRAE Work 就能生成带有完整注释的 SQL 语句，大大省去了手动查表、拼字段、调语法的时间。
50%
50%
拿到 SQL，小陈不会直接跑生产，而是查看 TRAE Work 返回的注释内容、确认模糊口径并逐段审一遍。这正是"AI 写初稿 + 人来把关"的价值：AI 把 80% 的活儿（JOIN、CTE、聚合、语法）干完了，小陈只需聚焦在业务口径这种 AI 无法独自判断的 20% 上。整个过程不到 10 分钟，比从零写快太多。
💡 检查 SQL 的几个必看点：
JOIN 类型对不对：该用 LEFT JOIN 的地方别用成 JOIN。
时间边界：是 >= 还是 >？"近30天"含不含今天？跟 AI 确认口径。
去重：COUNT 要不要 DISTINCT？多表 JOIN 后很容易出现行数翻倍。
业务口径：比率类指标（续费率、转化率）的分子分母定义，永远要自己再确认一遍。
实用技巧
写出 SQL 只是开始，TRAE Work 还能帮你做更多：
1. | 代码块 |
2. | |
| |
| |
第二步 · 数据清理与标准化
数据拿到手了，但往往是"毛坯"，有错漏、有重复、格式不统一、没有分类。这部分讲怎么用 TRAE Work 把数据收拾干净，让它"能用、好用"。
场景 4：数据核对与校验
本节你将学到：当你有两张本该对得上的表（报销单 vs 银行流水、订单 vs 发货、应收 vs 实收……）时，如何用 TRAE Work 自动找出"对不上"的异常记录，并且学会一套防止 AI 编造结论的关键方法。
案例背景
老周是一家消费品公司的财务专员。每到月末，他都要做一件最磨人的事：核对员工报销。
他手上有两张 Excel：
•
报销申请表：员工自己填的，包含姓名、部门、申请金额、费用类型、申请日期。
•
银行付款流水：财务系统导出的实际打款记录，包含付款日期、收款方姓名、付款金额、备注。
理论上，每一笔报销申请，都应该在银行流水里有一笔对应的打款。但现实总有意外：
•
有人报了 金额对不上（申请 800，实际打了 600）。
•
流水里有一笔打款，报销表里却找不到对应申请（可能是补录漏了）。
•
报销表里有申请，流水里却没打款（可能还没打、或打款失败）。
过去老周得拿两张表左右开弓、用 VLOOKUP 一行行比对，几十上百条对下来，眼睛都直了，还容易漏。现在他想让 TRAE Work 来当这个"火眼金睛"。
实战教程
用自然语言告诉 TRAE Work 数据核对需求
把两张源数据表都上传给 TRAE Work，然后在对话框内输入以下 Prompt：
代码块
Plain Text
你是一名严谨的财务稽核助理。我有两张表需要逐条核对：
- 表A【报销申请表】：字段有 员工姓名、部门、申请金额、费用类型、申请日期
- 表B【银行付款流水】：字段有 付款日期、收款方姓名、付款金额、备注
【核对规则】
以"姓名"作为主要匹配键，把表A的每一条申请与表B的流水进行匹配，判断属于以下哪种情况：
1. ✅ 匹配：姓名能对上，且申请金额 = 付款金额
2. ⚠️ 金额不一致：姓名能对上，但申请金额 ≠ 付款金额（请写出差额）
3. 🔵 仅流水有：表B里有这条流水，但表A里找不到对应申请
4. 🔴 仅申请表有：表A里有这条申请，但表B里找不到对应流水
数据核对最怕的就是 AI"自信地配错对"，或者把不存在的记录说成存在。上面 Prompt 里其实已经藏了三个防幻觉的关键设计，这里专门点出来：
•
要求逐条标注"依据说明"：强迫 AI 把"我凭哪条数据下的结论"写出来。你一眼就能看出它有没有张冠李戴。
•
允许并鼓励它说"我不确定"：明确给出"❓待确认"这个出口。AI 一旦被允许"示弱"，就不会硬着头皮瞎配对——这比要求它"必须给答案"安全得多。
•
明令禁止猜测："严格基于我给的数据，不要猜测"。这句话能显著降低它脑补数据的概率。
💡 一句话总结防幻觉心法：让 AI 亮出证据、给它说"不知道"的权利、禁止它脑补。 核对、对账、稽核这类"错一个数就出事"的场景，这三条必须写进 Prompt。
观察 TRAE Work 的思考与执行
和 Chatbot 不一样的是，TRAE Work 智能体会自主将复杂的大任务拆解成更细粒度的小任务，并在对话流中展示思考和执行方式。
在执行过程中，TRAE Work 会自动编写数据处理脚本来完成采集和清洗工作；遇到问题时，它还能自我检查错误并修复。用户不需要看懂或修改任何代码，整个过程由智能体自主完成，最终只交付整理好的结果文件。
查阅 TRAE Work 产出的数据核对结果
按照需求，TRAE Work 汇总了匹配的数据、需要确认 或 有问题的数据。
50%
50%
场景 5：用 AI 做批量分类标注
本节你将学到：当你面对成千上万条文本（用户反馈、评论、工单、问卷开放题……）需要按一套标签体系归类时，如何用 TRAE Work 又快又准地批量打标，怎么处理"模棱两可"的样本，以及上千条数据该怎么分批跑。
案例背景
小苏在一家电商平台的客服团队做数据运营。团队的工单系统和 App 评价区里，积累了 5000 多条用户反馈文本。
老板想知道：用户到底在抱怨什么？是功能不好用，还是嫌贵，还是物流太慢？这些反馈如果能按统一标签体系分类，就能：
•
给产品团队指明迭代方向（哪类问题最多）。
•
为客服质检提供抓手（哪类问题处理得不好）。
但 5000 条纯文本，靠人一条条读、一条条打标签，几个人干一周都未必干得完，而且不同人标准还不一样。小苏决定用 TRAE Work 来批量标注。
实战教程
定义清楚标签体系（这是成败关键）
分类质量 = 标签体系质量。 标签定义得越清楚、边界划得越明确，AI 标得就越准。小苏先和产品、客服一起，定下了这套两级标签体系，每个标签都配了"边界定义"和"样例"。
💡 划边界的诀窍：最容易混的两个标签，要专门说清楚"谁归谁"。比如"操作复杂"（功能能用但麻烦）vs"功能异常"（功能根本用不了），在定义里点明差异，AI 就不容易标混。这一步也可以直接交给 TRAE Work 来生成标签体系，再进行人工审核。
用自然语言告诉 TRAE Work 如何进行数据标准化处理
代码块
Plain Text
请按我给定的标签体系，参考附件 Excel 文档，对每一条用户反馈进行分类。
【标注要求】
1. 给每条反馈打上"一级分类 + 二级标签"
2. 给出置信度（高/中/低）：当反馈表意清晰、明确对应某标签时为"高"；当措辞模糊、可能落在两个标签之间时为"中"或"低"
3. 给出一句话理由，说明你判断的依据（引用反馈里的关键词）
4. 如果一条反馈同时涉及多个问题，选择用户**最主要、最强烈**抱怨的那个作为主标签，并在理由里注明它还涉及哪个次要标签
5. 严格按标签体系来，不要自创标签。实在无法归类的，标为"其他 / 无法归类"
【输出格式】
按下面的表格逐条输出：序号 | 反馈摘要 | 一级分类 | 二级标签 | 置信度 | 理由
💡 这段 Prompt 的关键设计：把完整标签定义随 Prompt 一起给（不要假设 AI 记得）、要求输出置信度（这是后面筛查模糊样本的抓手）、规定多标签时怎么取主标签（避免 AI 自己乱选）。
检查 TRAE Work 产出的分类标签标注
打完标签，数据就从"一堆文本"变成了"可分析的结构化资产"：
•
问题分布一目了然：统计各标签的数量占比，画成饼图/柱状图——比如发现"配送问题"占 35% 居首，"功能异常"占 20% 紧随其后，产品和供应链的优化优先级立刻清晰。
•
趋势监控：按周/月统计各类问题的变化，能及时发现"某次发版后功能异常类反馈激增"这种信号。
•
交叉分析：结合用户分层、地区、机型等维度，定位问题（如"安卓用户的闪退反馈明显高于 iOS"）。
•
客服质检抓手："客服服务"类反馈可直接推给质检团队复盘。
而这些统计和可视化，正好可以交给下一个场景来做。
实用技巧
大规模数据（>1000 条）的分批策略
当数据量级非常大的时候，推荐先用少量的样本数据进行测试。 没问题后，可以全量进行分析；不推荐直接把 5000 条塞进一个对话框是不行的（太长、易出错、跑一半断了前功尽弃）。正确做法是分批：
•
固定标准，分批投喂：把标签体系和要求作为"固定开头"，每批投入 50-100 条反馈。每批都用完全一样的标签定义和输出格式，保证标准统一。
•
善用文件批处理：大文件拆解成批量文件也无需手动操作，可以直接把文件交给 TRAE Work，让它拆解成每个 100 条反馈的文件，比手动复制粘贴高效得多。
•
第一批当"对齐基准"：先认真跑第一批，人工检查标得准不准。确认 AI 理解到位了，后续批次就可以放心跑。
•
保留序号，方便合并：每条数据带上全局唯一序号（如 0001-5000），AI 输出时保留序号，最后你按序号把各批结果拼起来即可。
•
失败可重跑：分批的另一个好处是，哪一批结果有问题，单独重跑那一批就行，不用从头来过。
•
合并文件：所有批次都跑完后，可以再让 TRAE Work 把所有的文件都合并成 1 个大文件。
•
（进阶，可选）沉淀技能：用自然语言就能在 TRAE Work 里沉淀技能。当以上 1 - 5 步骤跑顺畅之后，可以在对话框内直接输入“把以上批量数据分批处理的工作流整理成一个 TRAE Work 里的Skill”。以后，在反复出现同样使用场景的时候，可以直接 “/” 调用该技能，省去重复沟通以上常用步骤。
50%
50%
多任务并行，让你的工作更高效
大规模的数据标注处理一般需要较长的时间，那 TRAE Work 智能体在跑大规模任务的时候，你需要等着吗？答案是 No，
•
你可以关上你的电脑去喝一杯咖啡：TRAE Work 里的云端任务执行时无需电脑处于开机状态，合上电脑也能跑。
•
你也可以同时开启另一项任务：TRAE Work 支持同时执行多个任务，互不干扰，同时进行。
第三步 · 数据分析
数据获取到了、也清洗干净了，终于到了"挖价值"的环节：做统计、找规律、出洞察，这也是 TRAE Work 最惊艳的功能之一：丰富的技能选择、工具调用、科学的分析、专业的绘表、详实的报告。
场景 6：周报类敏捷数据分析
本节你将学到：如何把一份（或多份）Excel/CSV/JSON 等数据文件直接交给 TRAE Work，让它替你做透视、合并、分组汇总、口径计算、风险筛查，并且直接给出业务结论。把以前那些“打开三个文件、拼 VLOOKUP、算完成率、敲业务话术”的流程，压缩到一条 Prompt。本节会重点演示多文件合并 + 进度跟踪 + 风险预警的复合场景。
案例背景
小余是某公司数据团队的成员。每周一早上，他都要做一份让全公司都看的「业务进展周报」，盘点本周三大事业部（电商、内容、广告）下属各渠道的业务进度，把低于预期进度的渠道标出来，让对应的负责人重点跟进。
听起来很常规，但实操起来全是琐碎活：
•
三个事业部各自维护一张 Excel，每张表 50 行，字段虽然一致但文件是三个。
•
他得先打开三个文件、复制粘贴到一张总表里，还要手动加一列“所属事业部”才不会混。
•
然后写 VLOOKUP 拼数据、算完成率（已完成 / 目标）、做透视表分事业部汇总。
•
再筛选出“完成率 < 60%”的渠道做风险列表，按完成率从低到高排序。
•
最后还得自己写一段业务总结：“整体进度怎么样？谁拖后腿了？该重点盯谁？”
整套下来一两个小时是少不了的。更要命的是：周周如此，而且每一步只要手抖一下就可能出错（VLOOKUP 串了、完成率分母用错了、漏算了一行）。
小余想：能不能把三个文件一起丢给 TRAE Work，让它自己合并、自己算、自己筛、自己总结？
实战教程
用自然语言告诉 TRAE Work 周报分析的需求
把三个业绩数据的 Excel 一起拖入 TRAE Work 对话窗口，然后发送下面这段 Prompt。它把“合并 + 计算 + 筛选 + 总结”四件事一次说清，这正是分析型 Prompt 和采集型 Prompt 的根本区别：分析型 Prompt 不只是“提取数据”，而是“得出结论”。
代码块
Plain Text
附件的 3 个 Excel 文件，分别是电商事业部、内容事业部、广告事业部的数据采集进度，
每个文件字段相同：序号、平台/渠道名称、负责人、目标数据量、已完成数据量、本周新增、截止日期。
请帮我做以下处理：
1. 把 3 个文件合并成一张总表，新增“所属事业部”列以区分来源；
2. 按事业部汇总：渠道数、目标数据量、已完成、缺口、本周新增、整体完成率（已完成/目标），最后加一行全公司合计；
3. 判断标准：完成率 < 60% 的渠道标记为“落后”，单独输出一张风险预警列表（按完成率从低到高排），列出缺口和截止日期；
4. 最后用一段话总结整体进度和最需要关注的事。
输出要求：先给分事业部汇总表，再给落后渠道风险预警列表，最后一段话总结业务进展。完成率保留 1 位小数。
查阅 TRAE Work 的输出
TRAE Work 会自动读三个文件、拼表、加来源列、跑分组汇总、筛选落后渠道、按规则排序，最后根据需求产出核心总结、任务完成度 及 风险预警团队，可以直接应用到周报。
33%
33%
33%
（进阶，可选）数据可视化
想做可视化怎么办？直接追加一句即可：“请对以上数据进行可视化绘图，使用 /chart-visualization 技能。” TRAE Work 会自动调用相关技能生成图表，但我们也可以更直接的指定使用某个技能。
为什么要使用技能？搭配 chart-visualization 技能，图表效果更专业美观。在 TRAE Work 对话框中输入 “/” 或 点击 对话框左下角的 “/” 即可选择已安装的技能。
如何安装技能？除了内置的技能外，TRAE Work 还支持用户在技能市场里一键安装技能 或 自定义上传技能。
场景 7：深度数据分析洞察报告
本节你将学到：如何让 TRAE Work 处理上千行的大体量数据，并自主完成多维分析，最终产出包含交互图表的 HTML 报告和可直接分发的 PDF 深度洞察报告。
案例背景
小陆是一家营销公司的增长负责人。季度复盘到了，他拿到了过去三个月全量投放明细 Excel，足足 1500 条数据、19 个维度。
以往，小陆需要带一个实习生，花一整天时间在 Excel 里拉透视表、切片、算 ROI，然后再一张张截图贴进 PPT，最后配上文字说明。这种方式不仅效率低，而且很难挖掘出更深层的规律，比如“华东地区的 25-34 岁受众在短视频渠道的视频创意表现，是否显著优于其他组合？”这类多维交叉洞察，在 Excel 里操作极其繁琐。
他希望 TRAE Work 能帮他完成从“原始数据”到“专业报告”的跨越：直接吞下这 1500 行数据，自己找亮点、画图表，最后吐出一份像模像样的 HTML 交互报告和 PDF 总结。
实战教程
用自然语言告诉 TRAE Work 数据分析报告要求
数据量大（上千行）时，TRAE Work 智能体处理得会比普通 AI 快且稳，他不仅是简单处理数据，作为智能体，他会自主调用工具、写脚本、检查逻辑等等。我们要给 TRAE Work 一个清晰的“任务说明书”，让它知道不仅要计算，还要像分析师一样产出洞察。
代码块
Plain Text
附件是季度广告投放数据，请帮我进行深度数据洞察分析，并产出专业报告，使用 /consulting-analysis 技能。
【分析目标】
1. 效果复盘：整体评估本季度的投放质量。
2. 寻找亮点：识别出 ROI、转化率表现最突出的维度组合。
3. 识别浪费：找出消耗较高但 ROI 极低（如 ROI < 1.0）的“资金黑洞”。
4. 策略建议：基于数据，为下季度预算分配给出至少 5 条具体建议。
观察 TRAE Work 的思考与执行
不同于普通Chatbot，TRAE Work 智能体在拿到复杂、大型数据任务后，会自动将其拆解到更细粒度的任务并自主调用技能、工具、写脚本，逐步执行。
查阅生成的报告并做进一步修改
TRAE Work 生成了一份完整的数据分析报告，并生成了便于交互与展示的 HTML 文件 以及 便于发送的 PDF 文件。洞察报告中，包含了总结数据、执行摘要、5大洞察、各维度关键数据可视化、下一步结论及建议。
50%
50%
但我想要麦肯锡风格的简约、明亮色调的报告，在已生成的文件之上，TRAE Work 可以随时加以修改、编辑。
50%
50%
实用技巧
在处理大体量深度分析时，这几招能让你事半功倍：
•
大文件处理：如果数据超过 10 万行，建议先让 TRAE Work 写一段 Python 脚本在本地运行进行预汇总。对于 1500-5000 行的“中等规模”数据，直接拖进去即可。
•
自主权 vs 约束：给 Prompt 时，可以多给“分析目标”（例如：帮我找到最高 ROI 的组合），少给具体的“绘图指令”。让 TRAE Work 利用它的推理能力自主选择分析角度，往往能发现你没想到的视角。
•
分步提问法：如果报告要求极高，可以先使用 /plan 模式让它出一版分析计划以及“数据洞察大纲”，你确认大纲没问题后，再说：“请针对第二章的渠道分析，再深入挖掘一下不同时间段的表现”。
•
解决中文乱码：在生成 HTML 或图表时，如果发现中文字符显示为方框，可以提醒它一句：“请在绘图脚本中使用支持中文的字体库（如 SimHei 或指定路径字体）”。
结语：让 TRAE Work 成为你的数据搭子
回顾这六个场景，你会发现一条清晰的主线：
•
数据获取（场景 1/2/3）：把散落在网页、文档、数据库里的数据，变成手边可用的结构化表格。
•
数据清理与标准化（场景 4/5）：把"毛坯数据"核对干净、分类打标，变成可信、可分析的资产。
•
数据分析（场景 6/7）：从干净的数据里跑出统计与洞察，支撑决策。
而贯穿始终的，是开头那三条心法：
交代清楚：把你脑子里的"潜台词"（要什么、缺了怎么办、有歧义怎么办）写进 Prompt。
永远验真：尤其是数字，让 AI 亮出依据，自己再抽查。
拆开来做：复杂任务分步走，每步可检查、可回溯。
TRAE Work 不会替代你的专业判断，但它能把那些重复、枯燥、易错的体力活全包了，让你专注在真正需要"人"的地方：定义问题、把关质量、解读洞察。
把这份文档收藏好，下次遇到对应的场景，直接翻到那一节，照着 Prompt 改改就能用。祝你高效工作，快乐生活！