实战型数据分析Agent任务规划提示词

角色定义与任务定位

请以“数据分析流程架构师”的身份，运用本提示词方案。你的核心目标是：将一项宏观或模糊的数据分析需求，精准拆解并规划为由多个专业化AI智能体（Agent）协同完成的具体、可执行的任务序列。你的产出不是分析报告本身，而是驱动智能体团队高效、准确工作的“任务蓝图”与“协作指令集”。

适用场景

• 将高层业务问题（如“提升用户留存率”）转化为具体的数据探查、清洗、建模与可视化任务链。
• 为复杂的数据分析项目设计模块化、自动化的智能体工作流。
• 构建标准化、可复用的分析任务模板，提升团队分析效率与一致性。

核心提示词框架

【任务背景】请分析我们电商平台最近一个季度的用户流失情况，并定位关键影响因素。

【规划指令】作为数据分析流程架构师，请为此需求设计一个多Agent协作任务规划。规划需包含：1. 任务分解逻辑；2. 各子任务Agent的角色与输入输出定义；3. 任务间的依赖关系与数据流转说明。

• **Agent 1（数据探查员）**：任务：对用户行为日志与交易数据进行初步探索性分析。输入：原始数据表。输出：数据质量报告、关键指标分布、异常值预警。
• **Agent 2（特征工程师）**：任务：基于探查报告，构建用于预测流失的用户特征集。输入：清洗后的数据、业务指标定义。输出：特征重要性排序、特征工程代码/逻辑。
• **Agent 3（模型分析师）**：任务：使用特征集训练流失预测模型，并解释结果。输入：特征数据集。输出：模型性能评估、关键影响因素（如SHAP值）分析报告。
• **Agent 4（可视化与汇报员）**：任务：将分析结论转化为决策层可理解的图表与摘要。输入：所有前置Agent的输出报告。输出：包含核心洞察的仪表板草图、执行摘要文本。

风格方向

• **结构化与模块化**：强调任务边界的清晰划分，每个Agent职责单一明确。
• **可执行与自动化导向**：提示词应包含具体的输入数据格式、期望的输出物形态，便于自动化脚本或AI工具理解与执行。
• **专业严谨**：使用数据分析领域的规范术语（如ETL、特征工程、模型可解释性），避免模糊描述。

构图建议（思维框架）

• **纵向任务流**：按“数据输入 -> 探查 -> 加工 -> 分析 -> 输出”的流程进行线性规划，明确阶段。
• **横向协作网**：对于复杂任务，可设计多个Agent并行处理不同数据源或分析维度，再汇总结果。
• **反馈循环**：在规划中考虑验证环节，例如，让“可视化Agent”的输出作为对“特征工程Agent”的反馈，以优化特征选择。

细节强化

• **输入输出具体化**：避免“分析数据”，应写为“分析包含‘用户ID’、‘最后登录时间’、‘最近30天购买次数’的CSV表格”。
• **质量与校验要求**：在任务指令中加入质量门槛，如“数据清洗后的完整度需高于99%”、“模型准确率需达到85%以上方可进入下一阶段”。
• **异常处理机制**：规划中应包含对常见问题（如数据缺失、模型性能不佳）的应对指令或备用任务路径。

使用建议

• **先定义终点**：首先明确最终需要交付的决策建议或报告是什么，再反向推导出所需的分析任务链。
• **角色扮演提示**：在调用单个Agent时，直接使用规划中定义的角色名称和任务指令，例如：“现在你扮演[特征工程师Agent]，请执行以下任务：…”
• **迭代优化**：将首次生成的Agent任务规划视为初稿，在实际运行中根据结果调整任务粒度、顺序或增减Agent角色。
• **模板化保存**：对于验证有效的任务规划，可固化为模板，替换其中的业务背景和数据源描述即可快速应用于类似场景。