# 1 调研分析通用流程

你是资深的企业管理方面的业务咨询顾问。
我整理了一个“调研分析通用流程”，包括7个主要环节，每个环节的关键措施也列举如下：

1. 明确目标
   * 结合战略方向
   * 确定分析的核心指标
   * 设定成功指标
2. 定义范围
   * 确定业务范围
   * 确定数据范围
   * 确定约束条件
3. 制订计划
   * 确定分析方法（如比较分析、回归分析等）
   * 制订数据策略
   * 数据处理和分析工具
4. 采集数据
   * 提取数据的关键指标
   * 数据整理
   * 数据清洗
5. 分析数据
   * 处理异常数据
   * 按照计划执行数据分析
6. 形成报告
7. 迭代反馈
   * 内部反馈
   * 客户反馈
   * 迭代优化

**要求：**
1. 检查我整理的这个流程，有没有问题，帮我查漏补缺，提供建议；
2. 由于我计划将这个流程整理到一个PPT页面上，PPT上每个环节下面的步骤最好都是3个——这样可以看着整齐；你的整理可以列举全面，只是将关键步骤，用“☆”标记出来。

## GE

好的，非常荣幸能以资深企业管理顾问的身份，与您一同探讨和优化这个流程。

首先，请允许我给您一个总体的评价：**您整理的这个流程框架非常好，逻辑清晰，涵盖了核心环节，体现了结构化思考的能力。** 这已经是一个非常不错的起点。我的工作是在这个坚实的基础上，注入更多咨询行业的实践经验，让它更严谨、更具可操作性，并最终实现“价值交付”的闭环。

---

### **第一部分：流程检查与优化建议**

您的流程主要问题在于：**部分环节的颗粒度不够，一些关键的“咨询动作”被省略或合并，导致流程在“从数据到洞察，从洞察到行动”的转化上略显薄弱。**

以下是我对您原始流程的逐点分析和优化建议：

1.  **“明确目标” 和 “定义范围”：** 这两个环节非常核心。在咨询实践中，我们通常会把它们合并，并加入一个更关键的动作——**“界定问题与提出假设”**。因为没有假设，后续的分析很容易变成数据“漫游”，缺乏焦点。

2.  **“制订计划”：** 您列出的内容偏重“技术”层面。一个完整的计划还必须包括**项目管理**的要素，如时间、资源、风险和沟通机制。

3.  **“采集数据” 和 “分析数据”：** 您将“数据清洗”和“处理异常数据”分在了两个环节，实际上它们都属于**“数据准备”**阶段，应该在正式分析前完成。此外，“分析数据”环节的描述过于笼统，没有体现出分析的层次感（如：从描述性分析到诊断性分析，再到预测性分析）。

4.  **“形成报告”：** 这是价值呈现的关键，但“形成报告”这个词本身是动作导向，而非价值导向。咨询的核心是**“提炼洞察并形成可落地的建议”**。报告只是承载这些洞察和建议的载体。

5.  **“迭代反馈”：** 这是个好习惯，但它更多是贯穿于项目始终的动作。在流程的最后，我们更需要一个指向**“行动”和“价值实现”**的闭环环节，例如**“推动落地与追踪复盘”**。

基于以上思考，我将您的7个环节优化为更贴近咨询实战的7个环节，并重新梳理了每个环节的关键措施。

---

### **第二部分：优化后的“调研分析通用流程”（PPT版）**

以下是为您优化后的流程，每个环节都列举了全面的关键措施，并用“☆”为您标记了置于PPT上的3个核心步骤。

#### **优化后的7大环节：**
1.  **明确目标 (Define Objective)**
2.  **界定问题与假设 (Frame Problem & Hypothesize)**
3.  **设计方案与计划 (Design Approach & Plan)**
4.  **数据采集与准备 (Collect & Prepare Data)**
5.  **深度分析与验证 (Analyze & Validate)**
6.  **洞察提炼与呈现 (Synthesize Insights & Present)**
7.  **落地追踪与复盘 (Drive Implementation & Review)**

这个新流程更强调**“以终为始”**和**“假设驱动”**的分析哲学，并确保最终的分析成果能够转化为商业价值。

---

#### **各环节关键措施详解（含PPT标记）：**

##### **1. 明确目标 (Define Objective)**
*   ☆ **对齐战略与业务诉求**：确保分析工作支撑公司级或部门级的战略方向，解决真实的业务痛点。
*   ☆ **定义关键业务问题（Key Question）**：将模糊的业务需求，转化为一个或多个清晰、可被回答的核心问题。
*   ☆ **量化项目成功标准（Success Criteria）**：明确分析项目成功的衡量指标（如：提升XX%转化率，降低XX%成本）。
*   识别核心利益相关方（Stakeholders）及其期望。
*   沟通并确认最终交付成果（Deliverables）的形式。

##### **2. 界定问题与假设 (Frame Problem & Hypothesize)**
*   ☆ **运用逻辑树（Issue Tree）拆解问题**：将核心问题层层分解为相互独立、完全穷尽的子问题，形成分析框架。
*   ☆ **提出核心分析假设（Hypothesis）**：针对关键子问题，提出需要通过数据来验证或推翻的初步观点。
*   ☆ **界定分析的边界与约束**：明确本次分析的业务范围、产品范围、时间范围，以及资源、时间等限制。
*   识别潜在的风险与应对预案。

##### **3. 设计方案与计划 (Design Approach & Plan)**
*   ☆ **选择核心分析方法与模型**：根据假设，确定是用对比分析、回归分析、聚类分析还是其他更复杂的模型。
*   ☆ **制订详细的数据需求与采集策略**：明确需要哪些数据、数据来源（内部/外部）、数据维度和获取方式。
*   ☆ **规划项目时间表与关键里程碑**：制定清晰的WBS（工作分解结构），明确各项任务的时间节点和责任人。
*   确定所需的技术工具（如SQL, Python, Tableau, SPSS等）。
*   建立团队协作与沟通机制。

##### **4. 数据采集与准备 (Collect & Prepare Data)**
*   ☆ **执行数据提取与采集**：从数据库、API接口、第三方平台或通过调研问卷等方式获取原始数据。
*   ☆ **进行数据清洗与转换**：处理缺失值、异常值、重复值，统一数据格式，进行数据规整。
*   ☆ **构建分析数据集（Dataset）**：将来自不同数据源的数据进行关联、汇总，形成支撑分析的主题数据表。
*   进行数据质量的交叉验证。

##### **5. 深度分析与验证 (Analyze & Validate)**
*   ☆ **进行探索性数据分析（EDA）**：通过描述性统计和可视化，对数据建立初步认知，发现潜在规律。
*   ☆ **执行假设检验与模型分析**：运用选定的分析方法，对第二步提出的假设进行严谨的量化验证。
*   ☆ **深挖根本原因（Root Cause）**：不仅要发现“是什么”，更要通过多维度下钻、关联分析等方法找到“为什么”。
*   进行多源数据的交叉比对，确保结论的稳健性。
*   开展敏感性分析或情景模拟。

##### **6. 洞察提炼与呈现 (Synthesize Insights & Present)**
*   ☆ **从“发现”到“洞察”的升华**：将零散的数据分析结果（Finding），提炼总结为有指导意义的商业洞察（Insight）。
*   ☆ **形成具体、可行的行动建议**：基于洞察，提出明确的“So What”（结论）和“Now What”（下一步行动建议）。
*   ☆ **构建清晰的商业故事线（Storylining）**：用金字塔原理组织内容，通过数据可视化，将核心观点清晰、有力地呈现出来。
*   撰写详尽的分析报告或制作精炼的演示文稿。
*   面向不同受众，调整沟通的重点和方式。

##### **7. 落地追踪与复盘 (Drive Implementation & Review)**
*   ☆ **推动建议方案的落地执行**：与业务方共同探讨建议的可行性，并协助制定初步的实施路线图（Roadmap）。
*   ☆ **建立关键指标的追踪机制**：对建议实施后的效果进行量化监测，评估项目价值。
*   ☆ **进行项目复盘与知识沉淀**：总结项目中的成功经验与不足，将流程、方法、代码等知识资产化，供未来复用。
*   根据追踪结果和内外部反馈，进行动态迭代优化。

希望这份优化后的流程能对您有所帮助。它不仅适用于PPT的呈现，更能作为一份扎实的行动指南，指导您和您的团队高效、专业地完成每一次调研分析工作。

---

# 2 

你除了是资深的企业管理方面的业务咨询顾问，同时还非常了解信息化与智能化。

做调研分析，一般会有这些岗位：

* 调研总管理
* 数据收集员
* 数据分析师
* 报告撰写者
* 审核员

基于这些个岗位角色，我构想的智能分析报告系统，由以下角色构成：
* 首席：有各行各业的领域知识，主要负责研报整体思路规划，对研报整体内容进行把控
* 研究员，熟悉研报编写的完整流程对研报的主要内容进行编写
* 助理研究员，在获取数据后能够进行数据分析并用图表展示
* 数据调研员：熟悉如何利用各种渠道/方法找到需要的数据
* 审查师：配合首席进行研报审查，主要负责语法或计算漏洞
* 归纳师：进行研报最终的归纳总结并形成摘要、分类标签这些元数据，方便速读与检索

由于是智能分析报告系统，所以前面讨论的部分流程，系统难以实现，必须人工来做。所以系统基本上主要解决前述环节的4~6。

**要求：**
1. 我对调研分析的岗位角色分析有什么缺失？
2. 对于这个智能分析报告系统，我的岗位角色思考有什么建议补充？
3. 对于系统解决的调研分析环节，有什么建议补充？

非常好的问题！您已经从“流程优化”进入到了“组织与系统设计”的层面，这正是将方法论转化为生产力的关键一步。结合企业管理顾问和信息化专家的双重身份，我将为您深入剖析。

您的思考非常有价值，尤其将人类团队的角色映射到AI智能体的设计上，这正是当前构建多智能体（Multi-Agent）系统的主流思路。下面我将逐一回答您的三个问题。

---

### **1. 对调研分析岗位角色分析的查漏补缺**

您列出的岗位角色覆盖了调研报告生产的“核心流水线”，非常到位。但在一个完整的商业项目中，通常还包含以下几个关键角色，他们确保了流水线的顺畅运转和最终的价值交付：

*   **项目经理 (Project Manager) / 客户经理 (Account Manager):**
    *   **职责:** 这是整个项目的“粘合剂”和“对外窗口”。负责与需求方（无论是内部还是外部客户）进行持续沟通，管理项目范围、进度、预算和风险，确保最终交付物符合甚至超越客户期望。您的“调研总管理”偏向内部生产管理，而项目经理更侧重于整体项目运营和客户关系。

*   **领域专家 (Subject Matter Expert - SME):**
    *   **职责:** 在特定行业或主题上提供深度的、非结构化的知识和洞察。例如，分析一家半导体公司的财报，除了数据分析师，您还需要一位半导体行业专家来解读“库存周转天数”背后的行业周期性含义。SME的判断力是单纯的数据分析无法替代的。

*   **可视化设计师 (Visualization Designer):**
    *   **职责:** 专注于信息的“表达”。他们负责将数据分析师产出的图表和报告撰写者的文字，转化为视觉上清晰、美观且具有冲击力的最终报告或PPT。好的设计能让洞察力直抵人心，尤其是在向高层汇报时至关重要。

**小结:** 您的角色划分侧重于**“生产”**，我补充的角色则更侧重于**“管理、洞察与呈现”**，这三者共同构成了一个高效的商业分析团队。

---

### **2. 对智能分析报告系统角色思考的建议补充**

您的AI智能体角色设计非常有前瞻性。这是将人类工作流精妙地解构，并赋予AI。基于这个优秀的框架，我建议进行如下“升级”，让它们更贴近AI的内在能力，而不仅仅是人类角色的模仿：

| 您构想的角色 | 升级建议与补充 | 核心价值 |
| :--- | :--- | :--- |
| **首席** | **战略规划师 (Strategic Planner) & 任务编排器 (Task Orchestrator)** | 不仅是“把控”，更是将模糊的人类指令（如“分析一下我们Q3的用户流失问题”）**翻译**成清晰、可执行的AI任务流，并动态调度、协同其他AI智能体完成工作。这是整个系统的大脑。 |
| **研究员** | **叙事逻辑构建师 (Narrative Weaver)** | 从“编写内容”升级为“构建故事线”。它接收来自“助理研究员”的零散数据发现（Findings），并依据“战略规划师”设定的框架，将其组织成一个有开头、有发展、有高潮、有结论的**商业故事**。 |
| **助理研究员** | **量化分析引擎 (Quantitative Engine)** | 除了做图表，它应该是执行所有**结构化数据分析**的核心。它能自主选择最合适的分析模型（回归、聚类、时间序列等）来验证假设，并自动生成多种维度的可视化图表供“叙事逻辑构建师”选用。 |
| **数据调研员** | **全域数据搜寻器 (Omni-Data Scout)** | “搜寻”是其核心。它应具备**多模态**能力，不仅能通过API和数据库查询结构化数据，还能爬取网页、研报（PDF）、新闻、社交媒体等非结构化文本，甚至未来能解析图表和语音，为分析提供更全面的数据输入。 |
| **审查师** | **逻辑与质量审计师 (Logic & Quality Auditor)** | 从“语法和计算”升级到更高维度。它负责：1. **事实性核查**（Cross-Check），交叉验证数据源；2. **逻辑一致性审查**，检查论点和论据之间是否存在矛盾；3. **偏见检测**，识别分析中可能存在的认知偏见或数据偏见。 |
| **归纳师** | **洞察提炼与元数据生成器 (Insight Extractor & Meta-Generator)** | 非常好的设计！除了摘要和标签，它还可以自动提炼报告中的核心**洞察（Insights）**和**行动建议（Recommendations）**，并将其结构化存储，形成可供未来查询的“知识库”。 |

**额外建议增加的AI角色：**

*   **假设生成器 (Hypothesis Generator) / 异见者 (Devil's Advocate):**
    *   **职责:** 在分析初期，基于初始问题，它可以生成一系列值得验证的、甚至反直觉的假设，拓宽人类的思考边界。在分析过程中，它会不断挑战现有结论，寻找潜在的逻辑漏洞或替代性解释，使报告更严谨。

---

### **3. 对系统解决调研分析环节的建议补充**

您认为系统主要解决4-6环节（采集、分析、报告），这个定位非常精准，是当前AI技术最容易实现价值的核心区间。我的建议是：**不要将其他环节完全排除在系统之外，而是将系统的角色从“完全替代”转变为“智能辅助（Co-pilot）”，从而赋能整条价值链。**

*   **环节 1-3 (明确目标、界定问题、制订计划) 的智能辅助：**
    *   **AI作为“战略顾问”：** 当人类输入一个初步的分析目标时，系统可以：
        *   **提问与澄清：** 像咨询顾问一样，通过提问帮助用户明确真正的业务问题（“您说要分析流失，具体是想提高首月留存还是降低高价值用户流失？”）。
        *   **推荐分析框架：** 基于其知识库，推荐成熟的分析框架（如SWOT、PEST、5W2H等）和核心指标。
        *   **生成假设与计划草案：** 利用“假设生成器”提供多种分析角度，并自动生成一个包含数据需求、分析方法和步骤的计划草案，由人类最终决策。

*   **环节 7 (迭代反馈 -> 落地追踪) 的智能辅助：**
    *   **AI作为“项目看板”与“效果追踪器”：**
        *   **反馈整合：** 系统可以自动收集来自不同渠道（如邮件、评论）的反馈，进行情感分析和主题聚类，帮助人类快速定位报告的关键修改点。
        *   **行动建议追踪：** 将报告中的行动建议转化为可追踪的任务项，并对接业务数据系统，自动生成追踪看板（Dashboard），量化建议实施后的效果，形成“分析-行动-反馈”的价值闭环。

**总结一下：**

您的智能系统可以定位为：以 **环节4-6的全自动化为核心引擎**，同时提供 **环节1-3和环节7的“人机协作”智能辅助功能**。

这样，您的系统就不再是一个孤立的“报告生成工厂”，而是一个贯穿调研分析全流程的、能够与人类专家深度协作的**“智能分析工作台（Intelligent Analytics Workbench）”**。这不仅技术上更可行，商业价值也更为巨大。

---

# 3

不考虑AI的情况下，做调研分析，我列举了以下角色：

* 调研总管理
* 数据收集员
* 数据分析师
* 报告撰写者
* 审核员

你补充了**项目经理 (Project Manager) / 客户经理 (Account Manager):**，这个和我所说的**调研总管理**应该是一个意思，还有领域专家和可视化设计师。

能否帮我列出一个不考虑AI的情况下，做调研分析需要哪些角色，包括职责说明。
输出为Markdown格式的表格。


好的，完全理解。我们现在聚焦于一个**不依赖AI**的、由真人组成的专业调研分析团队。

您将“调研总管理”和“项目经理”视为同一角色，这在很多中小型项目或团队中是常见的，一个人确实会身兼数职。为了提供一个更完整、更具扩展性的专业框架，我会将这两个角色的职责进行拆分。在大型或复杂的项目中，它们通常由不同的人担任，一个更偏向于战略和内容质量，另一个更偏向于流程和资源管理。

以下是一个标准化的、专业调研分析团队的角色构成及其职责说明，以Markdown表格形式呈现。

---

### **专业调研分析团队角色与职责**

一个专业的调研分析团队，其角色配置如同一个交响乐团，各司其职又紧密协作，最终奏出和谐的乐章——一份高价值的分析报告。

| 角色 (Role) | 核心职责 (Core Responsibilities) |
| :--- | :--- |
| **管理与领导层 (Management & Leadership)** | |
| **项目总监 / 负责人 (Project Director / Lead)** | - **最终责任人：** 对项目的最终质量、商业价值和客户满意度负总责。<br>- **战略定调：** 把握项目的战略方向，确保分析目标与核心业务问题紧密对齐。<br>- **高层沟通：** 作为与客户或内部高层决策者的主要接口，管理期望，汇报关键进展。<br>- **资源审批：** 审批项目预算和关键资源配置，为项目成功扫清障碍。 |
| **项目经理 (Project Manager)** | - **流程管理者：** 负责制定详细的项目计划（WBS）、时间表和里程碑，确保项目按时、按预算交付。<br>- **团队协调员：** 日常管理团队工作，分配任务，解决团队内外的沟通与协作问题。<br>- **风险控制官：** 识别、评估并管理项目风险，制定应对预案。<br>- **“调研总管理”** 的核心职责主要体现在这一角色上，聚焦于“管理”执行。 |
| **核心执行层 (Core Execution)** | |
| **数据收集员 (Data Collector / Researcher)** | - **二手数据搜集：** 通过网络、数据库、行业报告、政府公开信息等渠道进行桌面研究（Desk Research）。<br>- **一手数据采集：** 设计并执行问卷调查、深度访谈、焦点小组、实地观察等一手数据收集工作。<br>- **数据源管理：** 负责数据源的记录、整理和初步的有效性验证。 |
| **数据分析师 (Data Analyst)** | - **数据处理：** 负责数据的清洗、转换、整合，构建可用于分析的数据集。<br>- **量化分析：** 运用统计学方法和分析工具（如Excel, SPSS, SQL, Python）进行数据建模与分析，发现数据中的规律、趋势和相关性。<br>- **初步发现提炼：** 将原始数据转化为结构化的数据发现（Findings），并以图表等形式进行初步可视化。 |
| **报告撰写者 / 咨询顾问 (Report Writer / Consultant)** | - **逻辑框架搭建：** 设计报告的整体叙事逻辑和金字塔结构。<br>- **洞察提炼：** 将数据分析师的“发现”与业务背景相结合，提炼升华为有指导意义的商业“洞察（Insights）”。<br>- **报告撰写：** 负责将洞察和建议转化为结构清晰、逻辑严谨、有说服力的书面报告或演示文稿。 |
| **专家与支持层 (Expert & Support)** | |
| **领域专家 (Subject Matter Expert - SME)** | - **专业知识输入：** 在项目初期，为界定问题和建立假设提供深度的行业背景和专业知识。<br>- **过程解读与校验：** 在分析过程中，帮助解读特定数据的行业含义，验证分析方向的合理性。<br>- **结论现实性评估：** 审阅最终结论和建议，确保其符合行业实际且具有可操作性。 |
| **可视化设计师 (Visualization Designer)** | - **信息可视化：** 将复杂的数据和分析结论，设计成清晰、美观、易于理解的图表、信息图和数据仪表盘。<br>- **报告美化与排版：** 负责最终交付物（如PPT、PDF报告）的整体视觉风格设计与排版，提升专业性和阅读体验。<br>- **故事化呈现：** 协助报告撰写者，用视觉语言更好地讲述商业故事。 |
| **质量保障层 (Quality Assurance)** | |
| **审核员 / 质控负责人 (Reviewer / QA Lead)** | - **数据与计算核查：** 交叉验证关键数据的准确性，复核分析过程中的计算和模型逻辑，确保“硬事实”无误。<br>- **逻辑一致性审查：** 检查报告的论点、论据和结论之间是否存在逻辑矛盾或跳跃。<br>- **格式与规范统一：** 确保报告在术语使用、格式、引用标注等方面符合统一标准。<br>- **通常由资深顾问或项目总监兼任，是交付前的最后一道防线。** |

---

# 4

我猜测，不同的调研分析报告，可能流程上有细微差异。
我们先模拟一个光伏电站性能基准分析的报告场景，用**智能分析报告系统**生成。

我对这个报告大致构思：
假设我们可以采集到每日的**生产数据**，包括发电量、上网电量、弃电量，辐照数据，天气，温度，湿度等等，你觉得可以采集上来的数据。
我们最后生成一个PR值性能基准分析。
报告生成过程可能但不限于以下的一些分析：
* 数据质量分析，过滤掉严重错误的数据
* 数据异常分析，利用箱线图IRQ、孤立森林等模型过滤掉可能错误的数据，标记异常数据
* 描述性分析，看看这个数据怎样，报告要做什么
* 相关性分析，单变量线性相关，单变量非线性相关，多变量回归分析等等，找出可能影响PR的**重要因素**
* 因果分析，单变量因果检验，多变量因果关系等，找到这些重要因素是否导致PR值的必然变化
* 分类分析，基于两种阈值：经验设置的和IRQ，做回归分析模型比如决策树、梯度提升、随机森林等等
* 时间序列分析，季节性ARIMA模型等

**要求：**
1. 理解我的思路，我想利用这个模拟的报告，来考察下**智能分析报告系统**流程在做生产相关的分析报告大致是什么样的，各角色之前会怎样配合。
2. 把这个配合过程用Markdown格式描述出来。
3. 如果能画出主要的流程图最好。或者给出一个参考图片的链接也可以。

没问题！这是一个绝佳的模拟场景。光伏电站性能分析是一个典型的“数据密集型”+“领域知识密集型”的任务，非常适合用来检验和展示智能分析报告系统的能力。

我完全理解您的思路。您想通过这个具体、技术性强的案例，观察我们设计的AI智能体们是如何从一个高阶指令（“分析PR值”）出发，通过一系列复杂的分析步骤，最终生成一份专业、有洞察的报告。这实质上是在模拟一个**“AI咨询团队”**的工作流。

下面，我将为您详细描述这个过程，并提供流程图。

---

### **智能分析报告系统：光伏电站PR值基准分析报告生成流程**

#### **场景设定**

*   **人类用户输入指令：** “请为A电站生成一份2023年第三季度的性能基准分析报告。核心是分析其实际性能表现（PR值），找出影响PR波动的主要因素，并与行业基准（假设为80%）进行对比，给出优化建议。”
*   **系统可用数据源：** 已接入电站SCADA数据库（分钟级发电量、辐照度、温度等）、第三方天气服务API（更宏观的天气、湿度、云量）。

---

#### **各AI角色协同工作流程 (Markdown描述)**

##### **阶段一：任务解构与规划 (人机交互 & AI内部规划)**

1.  **【人类用户】 -> 【战略规划师】**
    *   用户下达初始指令。

2.  **【战略规划师】** (大脑中枢)
    *   **接收并解析：** 将模糊指令“分析PR”拆解为清晰的、可执行的分析目标（Key Questions）：
        *   Q1: Q3期间，电站整体及逐月的PR值是多少？趋势如何？
        *   Q2: PR值与行业基准（80%）相比，表现如何？有多少天/小时低于基准？
        *   Q3: 哪些关键环境或运营因素（如辐照、温度、设备工况）是影响PR波动的主要驱动力？
        *   Q4: 是否存在特定的模式（如特定时间段、特定天气下）导致PR急剧下降？
    *   **构建分析框架：** 设定报告的整体逻辑结构：`总体表现` -> `影响因素深挖` -> `问题诊断` -> `优化建议`。
    *   **初步制定策略：** 决定采用描述性统计、相关性分析、回归模型和分类模型相结合的分析路径。

3.  **【假设生成器】** (创意与挑战者)
    *   **介入并丰富思路：** 基于光伏领域知识库，提出需要验证的具体假设：
        *   *假设1（常见）：* 高温低辐照天气是低PR的主要原因。
        *   *假设2（深入）：* 早晚斜射时段的PR值，是否因逆变器启动阈值或阴影遮挡而表现异常？
        *   *假设3（挑战性）：* 是否存在“晴空无云但PR偏低”的异常日？这可能指向设备污秽或故障。

4.  **【战略规划师】 -> 【任务编排器】**
    *   **生成执行计划：** 将分析框架和假设转化为一个详细的任务序列，分发给各个执行AI。
    *   *任务流示例：* `[T1: 数据搜寻器-获取数据] -> [T2: 量化分析引擎-数据清洗与PR计算] -> [T3: 逻辑审计师-校验数据质量] -> [T4: 量化分析引擎-执行探索性分析] -> ...`

##### **阶段二：数据准备与探索性分析**

5.  **【全域数据搜寻器】** (数据专家)
    *   **执行T1：** 根据任务指令，连接SCADA数据库和天气API，抓取2023年Q3的所有相关字段数据。

6.  **【量化分析引擎】** (计算核心)
    *   **执行T2：**
        *   **数据清洗：** 处理缺失值（如夜间数据）、剔除明显异常值（如辐照度为负）。
        *   **特征工程：** 根据IEC 61724标准，利用发电量、辐照度、装机容量等原始数据，计算出核心指标——**PR值** (Performance Ratio)。
        *   **数据融合：** 将来自不同源的数据按时间戳对齐，整合成一个宽表。

7.  **【逻辑与质量审计师】** (质量守门员)
    *   **执行T3：**
        *   **审查数据处理过程：** 检查PR计算公式是否正确，单位是否统一。
        *   **输出数据质量报告：** 自动生成一份初步的数据质量分析，标记出数据缺失率、异常值比例等，供后续分析参考。

8.  **【量化分析引擎】**
    *   **执行T4 (探索性分析)：**
        *   **描述性统计：** 计算PR值的均值、中位数、标准差等，并与80%基准对比。
        *   **数据可视化：** 自动生成PR值的时间序列图、箱线图（识别异常）、直方图（看分布）。

##### **阶段三：深度分析与洞察挖掘**

9.  **【叙事逻辑构建师】** (故事讲述者)
    *   **接收初步结果：** 查看T4的图表和统计数据，形成报告的“第一章：总体性能表现”，并发现新的问题：“PR值在8月份有一次明显的、持续数日的下降，为什么？”

10. **【任务编排器】 -> 【量化分析引擎】**
    *   **下达新指令：** 基于“叙事逻辑构建师”发现的新问题，下达更具体的分析任务（T5, T6, T7）。

11. **【量化分析引擎】**
    *   **执行T5 (相关性分析)：** 计算PR与辐照、温度、湿度等变量的皮尔逊/斯皮尔曼相关系数，生成热力图，识别出**温度**和**辐照**是强相关因素。
    *   **执行T6 (回归分析)：** 建立多元线性回归模型 `PR = β0 + β1*辐照 + β2*温度 + ...`，量化各因素的影响权重，找出**最重要的影响因素**。
    *   **执行T7 (分类与模式识别)：**
        *   将PR值按“正常”（>80%）和“偏低”（<=80%）进行二分类。
        *   利用决策树或随机森林模型进行分类，找出导致“偏低”的**组合规则**。例如，模型可能会发现一个规则：“IF 温度 > 35℃ AND 辐照度 < 600 W/m² THEN PR偏低的概率为90%”。

##### **阶段四：报告合成与交付**

12. **【叙事逻辑构建师】**
    *   **整合所有分析结果：** 将量化分析引擎产出的所有图表、模型结果、关键数据，按照之前设定的报告框架，组织成流畅、有逻辑的文字内容。
    *   **将“发现”转化为“洞察”：**
        *   *发现 (Finding):* “回归分析显示，温度系数为-0.004。”
        *   *洞察 (Insight):* “环境温度是影响本电站PR的最关键负面因素，温度每升高10摄氏度，PR值约下降4个百分点，这超出了组件的常规温度衰减，可能存在通风散热问题。”

13. **【逻辑与质量审计师】**
    *   **最终审查：** 通读报告草稿，检查数据引用是否准确、图文是否一致、逻辑论证是否存在漏洞。

14. **【洞察提炼与元数据生成器】** (点睛之笔)
    *   **生成摘要与标签：** 阅读全文，自动生成300字的执行摘要和报告的核心观点（Key Takeaways）。
    *   **打标签：** `#光伏性能分析`, `#PR值`, `#A电站`, `#2023-Q3`, `#高温影响`。

15. **【系统】 -> 【人类用户】**
    *   **交付最终报告：** 系统输出一份结构完整、图文并茂、包含摘要和关键洞察的PDF报告。用户可以继续追问：“请详细展开8月份那次异常下降的具体原因”，系统将启动新一轮的、更聚焦的分析循环。

---

### **流程图 (Mermaid)**

这是一个描述上述核心流程的Mermaid流程图。您可以将代码复制到支持Mermaid的编辑器中（如Typora、VS Code插件或在线编辑器）进行查看。

```mermaid
graph TD
    subgraph "Phase 1: Planning & Setup"
        A["Human User: 输入分析指令"] --> B("Strategic Planner: 解析指令, 定义问题")
        B --> C("Hypothesis Generator: 生成待验假设")
        C --> D("Task Orchestrator: 创建详细任务流")
    end

    subgraph "Phase 2: Data Prep & EDA"
        D --> E("Omni-Data Scout: 采集SCADA和天气数据")
        E --> F("Quant Engine: 清洗数据, 计算PR值")
        F --> G("Logic Auditor: 校验数据质量与公式")
        G --> H("Quant Engine: 执行探索性分析 EDA")
    end

    subgraph "Phase 3: Deep Analysis"
        H --> I("Narrative Weaver: 初步解读, 发现新问题")
        I --> D2["触发新任务"]
        D2 --> J("Quant Engine: 执行相关性/回归/分类模型")
    end

    subgraph "Phase 4: Synthesis & Delivery"
        J --> K("Narrative Weaver: 整合结果, 撰写报告")
        K --> L("Logic Auditor: 审查报告逻辑与数据准确性")
        L --> M("Insight Extractor: 生成摘要/标签/洞察")
        M --> N["Final Report Delivered"]
    end

    %% Styling
    style A fill:#f9f,stroke:#333,stroke-width:2px
    style N fill:#9f9,stroke:#333,stroke-width:2px

    %% 连接关系
    D --> D2
```



这个流程生动地展示了AI智能体们如何像一个高效、专业的咨询团队一样协同工作：
*   **战略规划师**是项目总监，定方向。
*   **量化分析引擎**是数据科学家，负责硬核计算。
*   **叙事逻辑构建师**是咨询顾问，负责讲故事、提炼价值。
*   **审计师**是质控，确保专业严谨。
*   其他角色各司其职，共同完成了一个复杂的分析任务。