微信
飞书
选择您喜欢的方式加入群聊
扫码添加咨询专家
如果要把数据分析这件事做到极致，你需要三个组件：
三者各自已经很强，组合在一起就是一个完整的 AI 数据分析工作流。
这篇文章是实操型教程，手把手教你从零搭建这个工作流，完成从数据接入、智能分析、报告生成到团队协作的完整链路。
在开始动手之前，先理解这三个组件各自扮演什么角色。
Qwen 3.6-Plus 是这个工作流的底层算力引擎。它的核心价值在于：
关于 Qwen 3.6-Plus 在 AskTable 上的接入详情，参见 《AskTable 率先支持 Qwen 3.6-Plus》。
AskTable 是这个工作流的数据分析和记忆中枢。它的核心价值在于：
关于 AskTable 的 Agent 架构设计，参见 《AskTable AI Agent 工作原理》。
Claude Code 是这个工作流的统一交互入口。它的核心价值在于：
关于 Claude Code 与 AskTable 的集成细节，参见 《Claude Code + AskTable 集成指南》。
这个架构的设计哲学是：让每个组件做自己最擅长的事。
接下来，我们一步步搭建这个工作流。
打开终端，执行以下命令：
# 全局安装 AskTable CLI
npm i -g @datamini/asktable-cli
# 验证安装
asktable --version
asktable login
按照提示输入你的 AskTable 账号信息。如果你还没有 AskTable 账号，可以先在官网注册。
# 获取 AskTable Skill 并安装到 Claude Code
asktable get-skill
这个命令会自动将 AskTable Skill 安装到你的 Claude Code 环境中，安装完成后你就可以在 Claude Code 中直接使用 AskTable 的数据分析能力了。
在 AskTable 后台，确保你已经选择了 Qwen 3.6-Plus 作为底层分析模型。
进入 AskTable 设置页面，在"模型配置"中选择"Qwen 3.6-Plus"，保存即可。
如果你还没有配置 Qwen 3.6-Plus，参考 《AskTable 率先支持 Qwen 3.6-Plus》 完成配置。
asktable --version 有输出）asktable status 显示已连接）
数据分析的第一步，是把数据接进来。AskTable 支持 20+ 种数据源，涵盖几乎所有主流数据库和文件格式。
以 MySQL 为例，在 Claude Code 中直接说：
帮我连接数据库：
- 类型：MySQL
- 地址：192.168.1.100:3306
- 数据库：sales_db
- 用户名：analyst
- 密码：your_password
AskTable Skill 会调用 AskTable API，完成以下操作：
如果你手头有本地文件，也可以直接导入：
帮我导入这个 Excel 文件：
- 文件路径：/Users/jeffrey/data/monthly_sales.xlsx
- 工作表名称：January
AskTable 会自动：
AskTable 支持同时连接多个数据源。你可以：
列出我当前连接的所有数据源
AskTable 会返回类似这样的结果：
📊 当前已连接数据源（3个）：
1. 🗄️ 销售数据库 (MySQL)
- 数据库：sales_db
- 表数量：12
- 状态：已连接
- 最后同步：2026-04-05 10:30
2. 📄 月度报表 (Excel)
- 文件：monthly_sales.xlsx
- 工作表：3
- 状态：已导入
- 导入时间：2026-04-05 09:15
3. 🔍 用户行为数据 (Elasticsearch)
- 索引：user_behavior_*
- 文档量：~2.3M
- 状态：已连接
- 最后同步：2026-04-05 08:00
为什么要在 Claude Code 中完成数据接入？
传统 BI 工具通常需要你在图形界面中手动配置连接参数、选择表、定义关系。这个过程对于熟悉数据库的人可能很快，但对于业务人员来说门槛较高。
在 Claude Code 中用自然语言描述需求，AskTable Skill 会自动转化为配置操作。这降低了数据接入的门槛，让更多人能参与到数据分析中来。
数据接入完成后，就可以开始分析了。AskTable 的三通道分析引擎会根据问题类型自动选择最优路径。
当你问一个可以通过 SQL 直接回答的问题时，AskTable 会走 Text-to-SQL 通道：
上个月各产品线的销售额和利润分别是多少？
AskTable 会：
Qwen 3.6-Plus 生成的 SQL 类似于：
SELECT
p.category_name AS 产品线,
SUM(o.amount) AS 销售额,
SUM(o.profit) AS 利润,
ROUND(SUM(o.profit) / SUM(o.amount) * 100, 1) AS 利润率
FROM orders o
JOIN products p ON o.product_id = p.id
WHERE o.order_date >= '2026-03-01'
AND o.order_date < '2026-04-01'
GROUP BY p.category_name
ORDER BY 销售额 DESC;
返回结果类似于：
📊 2026年3月各产品线销售数据：
┌──────────────┬────────────┬────────────┬──────────┐
│ 产品线 │ 销售额(万) │ 利润(万) │ 利润率 │
├──────────────┼────────────┼────────────┼──────────┤
│ 电子产品 │ 2,340 │ 468 │ 20.0% │
│ 服装鞋帽 │ 1,856 │ 557 │ 30.0% │
│ 家居日用 │ 1,230 │ 246 │ 20.0% │
│ 食品饮料 │ 980 │ 147 │ 15.0% │
└──────────────┴────────────┴────────────┴──────────┘
💡 洞察：服装鞋帽利润率最高(30%)，电子产品销售额最高但利润率中等。
Qwen 3.6-Plus 在 Text-to-SQL 上的优势：
当问题涉及统计分析、机器学习、复杂计算时，AskTable 会切换到 Text-to-Python 通道：
帮我分析一下过去 6 个月销售额的环比趋势，并预测下个月的可能范围
AskTable 会：
Qwen 3.6-Plus 生成的 Python 代码框架类似于：
import pandas as pd
import numpy as np
from statsmodels.tsa.arima.model import ARIMA
import matplotlib.pyplot as plt
# 读取数据
df = pd.read_sql(query, connection)
df['month'] = pd.to_datetime(df['month'])
df = df.sort_values('month')
# 计算环比增长率
df['mom_change'] = df['sales'].pct_change() * 100
# ARIMA 预测
model = ARIMA(df['sales'], order=(1, 1, 1))
results = model.fit()
forecast = results.forecast(steps=1)
# 输出结果
print(f"下月预测销售额: {forecast.values[0]:.0f} 万")
print(f"95% 置信区间: {results.get_forecast().conf_int().iloc[0].values}")
这种复杂分析如果手动完成，通常需要 30 分钟到 1 小时。而在 AskTable 中，你只需要一句话。
当你需要生成交互式图表或仪表盘时，AskTable 会走 Text-to-JS 通道：
把上面这个分析结果生成一个可交互的柱状图，支持按月份筛选
AskTable 会：
三通道的设计考虑：
AskTable 会根据你的问题自动选择最合适的通道，你也可以手动指定。
数据分析很少一次到位。你可以基于结果继续追问：
电子产品 3 月的销售额比 2 月下降了多少？主要原因是什么？
AskTable 会：
关于 Canvas Agent 的协作分析模式，参见 《AskTable Canvas Agent 协作分析》。
这是 AskTable 区别于传统 BI 工具的核心能力——Agent 会记住你。
AskTable 的 Agent 具备持久记忆能力，它会记住：
例如，当你之前说过"我更关注利润率而不是绝对销售额"，下次你问：
各产品线的表现怎么样？
AskTable 会优先按利润率排序，而不是销售额。因为它记住了你的偏好。
再比如，你之前分析过"华东区销售异常"，下次你提到"华东区"时，Agent 会主动关联之前的分析上下文：
华东区这个月的情况怎么样？
AskTable 会：
AskTable 的记忆系统分为三层：
第一层：会话记忆
第二层：用户记忆
第三层：团队记忆
这种分层设计确保了：短期分析不丢失上下文，长期协作不丢失知识。
AskTable 的 Skill 系统让 Agent 具备了专业分析能力。常用内置技能包括：
| 技能名称 | 用途 | 触发方式 |
|---|---|---|
| 异常检测 | 自动识别数据中的异常波动 | 自然语言或手动激活 |
| 归因分析 | 定位指标变化的根本原因 | "帮我分析一下原因" |
| 趋势预测 | 基于历史数据预测未来趋势 | "预测一下下个月的数据" |
| 对比分析 | 多维度对比分析 | "对比一下 A 和 B" |
| 漏斗分析 | 用户行为转化分析 | "分析一下转化漏斗" |
手动激活技能的方式：
激活异常检测技能，帮我检查一下 3 月份的销售数据有没有异常
AskTable 会：
在传统 BI 工具中，每个分析师都需要从头理解业务、重新搭建分析框架。而在 AskTable 中：
这正是我们说的：不是工具升级，而是思维方式的改变。
当你完成一轮分析后，可以要求 AskTable 生成报告：
把上面的分析结果生成一份完整的报告
AskTable 会自动：
生成的报告格式类似于：
# 📋 2026年3月销售分析报告
## 执行摘要
- 3月总销售额 6,406 万，环比下降 8.2%
- 服装鞋帽利润率领先(30%)，但销售额环比下降 12%
- 电子产品销售额最高(2,340万)，降幅 5.3%
## 详细分析
...
## 关键发现
...
## 建议
...
AskTable 的团队协作能力体现在以下几个层面：
共享 Agent 记忆
共享 Skill 配置
协作分析 Canvas
关于 Canvas 的详细功能，参见 《AskTable Canvas Agent 协作分析》。
除了内置技能，你还可以创建自定义 Skill：
帮我创建一个"竞品价格监控"技能：
- 数据源：competitor_prices 表
- 监控指标：价格变化超过 5%
- 输出格式：表格 + 趋势图
AskTable 会：
创建后，你可以随时调用：
激活竞品价格监控，看看最近一周有没有价格变化
AskTable 支持跨数据源的关联分析：
把销售数据库的订单数据和 Excel 中的预算数据做对比，看看各部门的费用执行情况
AskTable 会：
你可以设置定时任务：
每天早上 9 点，自动检查昨天的销售数据，如果有异常波动就通知我
AskTable 会：
在 Claude Code 中，你不仅可以调用 AskTable 做数据分析，还可以：
这种"AI 分析 + AI 解读"的双引擎模式，是传统 BI 工具无法实现的。
让我们算一笔账。
传统 BI 分析流程：
| 环节 | 人力 | 时间 | 成本（按 500元/天） |
|---|---|---|---|
| 理解需求 | 业务分析师 | 0.5天 | 250元 |
| 写 SQL 取数 | 数据工程师 | 1天 | 500元 |
| 数据清洗 | 数据工程师 | 0.5天 | 250元 |
| 分析建模 | 数据分析师 | 1天 | 500元 |
| 制作图表 | 数据分析师 | 0.5天 | 250元 |
| 撰写报告 | 业务分析师 | 1天 | 500元 |
| 合计 | 3人 | 4.5天 | 2,250元 |
AI 分析流程（Qwen 3.6-Plus + AskTable + Claude Code）：
| 环节 | 耗时 | Token 消耗 | 成本（估算） |
|---|---|---|---|
| 自然语言描述需求 | 1分钟 | ~200 tokens | ~0.01元 |
| SQL 生成 + 执行 | 10秒 | ~500 tokens | ~0.03元 |
| 分析建模 | 30秒 | ~1,000 tokens | ~0.05元 |
| 图表生成 | 10秒 | ~300 tokens | ~0.02元 |
| 报告生成 | 30秒 | ~2,000 tokens | ~0.10元 |
| 合计 | ~2分钟 | ~4,000 tokens | ~0.21元 |
成本对比：
当然，这个对比是理想化的。实际使用中还需要考虑：
但不可否认的是，AI 数据分析的边际成本极低。一旦工作流搭建完成，每次分析的成本几乎可以忽略不计。
更值得思考的不是单次分析的成本，而是分析频次的变化：
这才是 AI 数据分析工作流真正的价值所在。
让我们用一个更实际的场景来估算长期成本：
场景：一个 50 人的中型团队，每月需要完成约 100 次数据分析任务
| 维度 | 传统 BI | AI 工作流 |
|---|---|---|
| 人力配置 | 3 名数据分析师 + 1 名数据工程师 | 1 名业务人员（自助分析） |
| 月度人力成本 | ~60,000 元 | ~15,000 元 |
| 工具成本 | ~5,000 元（BI 许可） | ~3,000 元（AskTable + Claude Code） |
| 模型成本 | - | ~500 元（Token 消耗） |
| 分析产出 | ~80 次/月（人力瓶颈） | ~300+ 次/月（按需触发） |
| 平均响应时间 | 1-3 天 | 2-5 分钟 |
| 月度总成本 | ~65,000 元 | ~18,500 元 |
AI 工作流不仅成本降低 70% 以上，更重要的是分析频次提升了近 4 倍。这意味着更多的问题可以得到及时的数据支持，决策质量会随之提升。
Qwen 3.6-Plus + AskTable + Claude Code 这个组合之所以强，不是因为单个组件有多厉害，而是因为：
三者组合，形成了一条从数据到洞察的完整链路。
