@ClaudeDevs：Anthropic 使用 Claude Code 實現資料分析自動化。 Anthropic 分享了其內部如何運用「Claude Code」處理 95% 的…

Anthropic 使用 Claude Code 實現資料分析自動化。 Anthropic 分享了其內部如何運用「Claude Code」處理 95% 的業務分析查詢，並達到約 95% 的準確率。他們強調，資料分析的挑戰不在於程式碼生成，而在於「上下文」與「驗證」問題。若僅將 LLM 直接接入資料倉儲，容易因資料模型歧義、資料過時或檢索失敗，導致產生錯誤的分析結果。 核心技術架構 Anthropic 建立了一套「Agentic 分析堆疊」來解決上述問題： 資料基礎（Data Foundations）：建立單一事實來源（Single Source of Truth），透過嚴格的維度建模與 CI 流程，強制規範資料模型，減少概念與實體間的歧義。 真理來源（Sources of Truth）：利用語意層（Semantic Layer）定義指標，並整合公司知識圖譜（如決策日誌、組織結構），讓 Agent 能理解業務背景而非僅是執行 SQL。 Skill 系統：這是 Agent 的「程序性知識」。透過將 Markdown 格式的參考文件與分析模式（如留存率分析、漏斗分析）封裝為 skill，並與資料模型程式碼庫（Repo）同步維護，確保 Agent 能在正確的領域內進行推理。 驗證機制（Validation）：透過離線評估（Offline Evals）建立問答對，並將評估結果視為遙測資料（Telemetry）儲存。他們要求在 PR 階段進行 ablation 測試，確保任何對 skill 的修改都能通過評估測試，避免準確率漂移。 實務建議 避免直接檢索原始查詢：研究顯示，直接讓 Agent 搜尋數千個歷史 SQL 檔案對提升準確率幾乎無效，應將其轉化為結構化的參考文件。 Colocation（共置）原則：將資料模型、轉換邏輯與描述該模型的 skill 文件存放在同一個程式庫中，確保模型變更時，相關文件能同步更新。 設定評估門檻：在領域負責人確認該領域的 Agent 離線評估達到預設門檻（如 90%）前，不應對外開放使用。 詳細的最佳實踐與分析流程，可參考 Anthropic 的官方部落格文章：How Anthropic enables self-service data analytics with Claude原文：https://easyvibecoding.app/curated/1747