Skill Hub Guide

用户问题
  → L0 data-intent-router          判定为 BI 业务分析（2a）
  → L1 analysis-plan-builder       生成结构化分析计划，确认指标与角色
  → Workflows fetch-data           按计划取数落盘
  → Workflows bi-metric-analysis   编排以下原子技能：
      → bi-metric-observation
          观测北极星指标表现，确认基准数据
      → bi-anomaly-detection
          对北极星指标做异常检测
          ├─ [无外部阈值] → bi-adaptive-threshold 自适应计算阈值
          └─ [有域知识包/用户指定阈值] → 直接使用
          ├─ [发现异常]
          │   → bi-dimension-drilldown
          │       按归因维度逐层下拆
          │       └─ bi-attribution-analysis 计算贡献度（定位哪个维度异常）
          │   → [可选] bi-causal-attribution
          │       从外部文档证据（周报/活动记录/产品发布）中解释"为什么"
          │       └─ [可选] bi-time-impact-attribution
          │               量化已找到的事件影响度
          │   → [无外部证据时] bi-time-impact-attribution
          │       直接拆解结构变动/趋势变动/事件影响
          │       └─ [需要阈值] → bi-adaptive-threshold
          └─ [未发现异常] 继续
      → bi-new-dimension-analysis
          识别新增维度值并评估表现
  → Atomic bi-report-generation    （如需输出报告）生成 HTML 报告

用户问题（涉及次日/第 N 日留存、访问/使用留存、留存差异等）
  → L0 data-intent-router          判定为 BI 业务分析（2a）—— 留存子类
  → L1 analysis-plan-builder       明确留存锚点、留存指标、对比范围
  → Workflows fetch-data           取数（day0 / dayn 用户数）
  → Workflows bi-retention-analysis 编排：
      → [可选] bi-clustering           按用户特征分群
      → bi-retention-rate              计算各群/整体的留存率
      → [可选] bi-comparison-analysis  跨时间/群体/留存类型对比
  → Atomic bi-report-generation    （如需输出报告）

用户问题（涉及转化率、阶段转化、转化变化归因等）
  → L0 data-intent-router          判定为 BI 业务分析（2a）—— 转化子类
  → L1 analysis-plan-builder       明确转化口径、起止行为、对比范围
  → Workflows fetch-data           取数（分子/分母用户数或事件数）
  → Workflows bi-conversion-analysis 编排：
      → [可选] bi-clustering           按用户/产品特征分群
      → bi-conversion-rate             计算各群/整体的转化率
      → [可选] bi-anomaly-detection    对转化率序列做异常检测
      → [可选] bi-comparison-analysis  跨时间/群体/渠道对比
  → Atomic bi-report-generation    （如需输出报告）

用户问题（按起始特征分群后跟踪后续表现）
  → L0 data-intent-router          判定为 BI 业务分析（2a）—— cohort 子类
  → L1 analysis-plan-builder       明确起始特征、跟踪指标、观察窗口
  → Workflows fetch-data           取数（cohort 划分依据 + 后续期表现指标）
  → Workflows bi-cohort-analysis   编排：
      → bi-clustering                  按起始特征划分 cohort
      → 后续表现指标计算               按需调用 bi-retention-rate / bi-conversion-rate / bi-metric-observation 等
      → bi-comparison-analysis         跨 cohort 对比
  → Atomic bi-report-generation    （如需输出报告）

用户问题
  → L0 data-intent-router          判定为数据探索（2b）
  → L1 analysis-plan-builder       数据探查 + 生成子任务序列
  → Workflows fetch-data           按子任务序列按需取数
  → 按子任务序列调用 Atomic：
      bi-distribution-analysis（分布、缺失、异常值）、
      bi-event-analysis（事件计数与聚合）、
      bi-clustering（密度型子结构发现）等
  → 无固定 Workflows 编排，由 agent 按计划串接

用户问题（聚类、画像、假设检验等）
  → L0 data-intent-router          判定为统计建模（2c）
  → L1 analysis-plan-builder       明确建模目标、特征、评估口径
  → Workflows fetch-data           取建模所需样本数据
  → 按目标调用 Atomic：
      bi-clustering（聚类/象限/分层）、
      bi-comparison-analysis（显著性/差异检验）等
  → Atomic bi-report-generation    （如需输出报告）

用户问题（已知公式的指标计算，如 LTV、漏斗、转化、留存、分布等）
  → L0 data-intent-router          判定为定量计算（2d）
  → Workflows fetch-data           取计算所需数据
  → 直接调用对应 Atomic：
      bi-ltv-analysis、bi-funnel-analysis、bi-conversion-rate、
      bi-retention-rate、bi-event-analysis、bi-distribution-analysis 之一或多个
  → 返回计算结果（一般无需走 L1 规划）

上下文中已有分析结论
  → L0 data-intent-router          判定为报告生成（2e）
  → Atomic bi-report-generation    将既有结论组织为可视化 HTML 报告

用户问题
  → L0 data-intent-router          判定为元数据查询（1a）或数据查询（1b）
  → Workflows fetch-data           直接取数或读元数据返回，不经过规划和分析流程