alive-analysis

alive-analysis

面向 AI 编码 Agent 的结构化分析工作流——每项分析都可追溯、可重复、可供团队共享。

---

为什么需要它

你让 Claude 调查某项指标下降的原因。它给了你答案，你据此采取行动。

三个月后，你想问：“我们当时为什么要改那个？”——一切都无从查起。没有推理过程、数据检查，也没有审计记录。

或者，你打开一个新聊天，从头再次解释所有背景，重复已经做过的工作。

alive-analysis 解决了这个问题，它将每项分析转化为结构化、受版本控制的工作流。Claude 会引导你完成五个阶段的循环。每个阶段都会生成一个 Markdown 文件。所有内容都保存在你的代码仓库中，方便你和 Claude 搜索。

最终，你会逐步积累起一个知识库，记录团队的思考方式，而不只是团队做出的决定。

---

工作原理

You describe a question  →  /analysis-new
                                 ↓
         Claude walks you through 5 stages:
         ASK → LOOK → INVESTIGATE → VOICE → EVOLVE
                                 ↓
              Each stage = one markdown file in analyses/
                                 ↓
         Files are Git-tracked, full-text searchable,
         readable by Claude in future conversations
                                 ↓
         Six months later: /analysis-search "checkout drop"
         → Claude surfaces context, findings, and follow-ups

---

安装

# Clone the repo
git clone https://github.com/with-geun/alive-analysis.git /tmp/alive-analysis

# Install — pick your platform
bash /tmp/alive-analysis/install.sh              # Claude Code
bash /tmp/alive-analysis/install.sh --cursor     # Cursor
bash /tmp/alive-analysis/install.sh --both       # Both

# One-time setup — run in your AI agent chat (not the terminal)
/analysis-init    # Configure language, team, data stack, key metrics
/analysis-new     # Start your first analysis

就这么简单。剩下的交给 Claude。

---

ALIVE 循环

每项分析都遵循相同的五阶段结构。每个阶段都有明确的目的、检查清单，以及进入下一阶段前的质量关卡。

阶段	问题	输出
❓ ASK	我们想了解什么——为什么？	假设树、范围、成功标准
👀 LOOK	数据实际显示了什么？	数据质量评估、SQL 模板
🔍 INVESTIGATE	事情真正发生的原因是什么？	附有置信度等级的结果
📢 VOICE	这意味着什么——接下来该做什么？	建议、针对不同受众的信息
🌱 EVOLVE	什么情况会改变结论？	后续分析、影响跟踪

除非经过慎重考虑，否则不会跳过任何阶段。即使时间紧迫，这个循环也能确保分析有条不紊。

---

三种模式

Full 模式——适用于重要决策

分成五个文件，每个阶段一个。包含约 40 项检查清单。可使用所有专业 Agent。适用于高风险决策、需要解释推理过程，或希望保留完整审计记录的情况。

analyses/active/F-2026-0303-001_checkout-drop/
├── 01_ask.md
├── 02_look.md
├── 03_investigate.md
├── 04_voice.md
└── 05_evolve.md

Quick 模式——适用于快速周转

所有内容都放在一个文件中。检查清单经过精简。结构仍遵循 ALIVE，只是更轻量。适用于探索性问题、晨会，或需要在一小时内完成的工作。如果范围扩大，/analysis-promote 会自动将其转换为 Full 模式。

analyses/active/quick_Q-2026-0308-001_dau-check.md

Learn 模式——用于培养分析能力

通过引导式场景、基于评分标准的评估、渐进式提示和常见错误检测，帮助你逐步学习。包含两个级别的七个真实场景。可用于新分析师入职、练习不熟悉的分析类型或培训实习生。

analyses/active/L-2026-0220-002_signup-drop-scenario/

---

所有命令

核心工作流

命令	功能
/analysis-init	一次性设置：语言、团队名称、数据技术栈、关键指标
/analysis-new	开始新分析——选择 Full 或 Quick 模式，并设定问题
/analysis-next	通过质量关卡检查后，进入下一个 ALIVE 阶段
/analysis-status	显示当前阶段、检查清单进度和待解决问题
/analysis-archive	标记为已完成，并移至 analyses/archive/
/analysis-list	使用筛选条件（类型、阶段、分析师、标签）浏览所有分析
/analysis-promote	范围扩大时，将 Quick 分析升级为 Full

查找和审阅过往工作

命令	功能
/analysis-search	在所有分析中进行全文搜索，包括标题、发现和假设
/analysis-retro	生成指定时间段的回顾报告（--last-month、--last-quarter、--all）
/analysis-dashboard	将分析导出为 JSON → 加载到可视化团队仪表板中
/analysis-dr	管理 Decision Records——团队的方法论决策日志
/analysis-wiki	维护 Analysis Wiki——从所有分析中由 AI 汇编而成的知识库

专家 Agent

命令	功能
/analysis-agent	显示当前阶段推荐哪些专家 Agent
/analysis-agent {number}	直接运行指定 Agent
/analysis-agent "{alias}"	按别名运行（例如 "stats"、"causal"、"ethics"）

实验和监控

命令	功能
/analysis-new（Experiment 类型）	开始 A/B 测试分析——采用经过调整的 ALIVE 循环，并进行预注册
/monitor-setup	配置指标监控和警报阈值
/analysis-new --from-alert {alert-id}	将指标警报直接升级为新分析

教育模式

命令	功能
/analysis-learn	开始学习场景——选择级别和场景
/analysis-learn-next	获取当前阶段的反馈并继续
/analysis-learn-hint	请求提示（分三个级别：方向 → 具体提示 → 接近答案）
/analysis-learn-review	完成场景并获得评分评审和技能雷达图

---

31 个专家 Agent

在每个 ALIVE 阶段，路由引擎都会读取你的分析上下文，并从 31 个 Agent 中推荐合适的专家。由你决定运行哪些 Agent。

必需关卡（自动运行，无需确认）

满足触发条件时，以下四个 Agent 会自动运行：

Agent	运行时机
scope-guard	检测到多个问题混杂或范围扩展时——提供 3 个选项以控制范围
data-quality-sentinel	在你离开 LOOK 阶段前检查数据完整性
ethics-guard	标记 PII 泄露、生存偏差和公平性问题
reproducibility-keeper	验证步骤是否有充分记录，以便重现

按阶段划分的可选专家

ASK — problem-framer、hypothesis-gen、metric-translator、sampling-designer

LOOK — data-scout、tracking-auditor、lineage-mapper、sql-writer

INVESTIGATE — eda-agent、stats-agent、experiment-designer、causal-agent、root-cause-analyst、ml-agent、forecast-agent、anomaly-detector、chart-recommender、dashboard-designer、peer-reviewer

VOICE — narrative-agent、exec-summarizer、decision-memo-writer

EVOLVE — metric-definer、semantic-layer-engineer、governance-steward

路由引擎会根据每个 Agent 与当前上下文（分析类型、领域、数据特征）的匹配度进行评分，并列出排名最高的 3 个 Agent，同时用通俗语言说明原因：“这项分析涉及一项前后指标变化，且没有随机化——causal-agent 可以评估此处是否适合采用 DID 或 RDD。”

你可以在 .analysis/agents.yml 中按项目禁用 Agent。

---

实验支持（A/B 测试）

运行 /analysis-new 并选择 Experiment 类型时，ALIVE 循环会相应调整：

DESIGN → VALIDATE → ANALYZE → DECIDE → LEARN

主要强化措施：

• 预注册锁定：在揭晓结果前编写并锁定分析计划，防止事后合理化
• SRM 检测：在 VALIDATE 阶段自动标记样本比例不匹配
• 护栏指标：在定义主要指标的同时定义对照指标，以发现意外副作用
• 多重比较校正：未进行校正却运行多个变体时发出警报
• 统计有效性：在你判定显著性前，由 stats-agent 验证统计功效、样本量和检验选择

---

指标监控

/monitor-setup

为关键指标配置阈值。触发告警时，可直接将其升级为分析：

/analysis-new --from-alert {alert-id}

ALIVE 上下文会预先填入告警数据——指标名称、数值、时间窗口和相关细分群体。你可以从上下文已加载的 ASK 阶段开始。

---

分析搜索与回顾

搜索所有过往分析

/analysis-search "checkout funnel"

对标题、假设、发现和后续事项进行全文搜索。返回匹配的分析及其上下文、相关分析的交叉引用，以及后续工作的建议。

自动回顾

/analysis-retro --last-quarter

将某一时间段内的所有分析汇总为结构化报告：

• 活动摘要（按类型、分析师和阶段完成情况统计分析）
• 影响追踪（建议 → 决策 → 结果）
• 重复出现的模式和未解决的后续事项
• 团队级指标（接受率、决策速度、分析准确率随时间的变化）

输出：analyses/.retro/retro_{period}.md

---

分析记忆系统（v1.4）

两项功能可为团队提供持久的分析记忆，让知识不断累积，而不是消失在聊天记录中。

决策记录 — /analysis-dr

一种仅追加的分析方法决策日志，改编自软件工程中的架构决策记录（ADR）概念。

解决的问题： 尽管团队在两个月前就已作出决定，Claude 仍不断建议“要不要试试贝叶斯 A/B 测试？”。或者，新分析师使用的 DAU 定义与其他人不同。决策记录通过为 AI 提供永久记录，记下已经作出的决定及其原因，从而避免这些情况。

五种决策类型：

类型	记录内容
Metric	指标的定义方式（“DAU = 核心功能使用，而非启动应用”）
Methodology	统计方法的选择（“A/B 测试：贝叶斯方法，95% 可信度”）
Scope	细分群体或时间窗口的标准（“新用户 = 前 7 天，包含 D0”）
Model	算法选择及拒绝其他方案的原因
Principle	分析标准（“因果主张需要 DiD/RD/IV”）

仅追加： 决策永不编辑或删除。如果决策被推翻，旧 DR 会标记为 Superseded by DR-NNN，让未来的分析师了解团队当时为何持有不同看法。

/analysis-dr new        # Write a new decision record
/analysis-dr scan       # Find DR candidates from existing analyses
/analysis-dr list       # Show all recorded decisions
/analysis-dr show 003   # Show DR-003 in detail

DR 与 Agent 系统集成——6 个会建议分析方法的 Agent（hypothesis-gen、stats-agent、metric-definer、metric-translator、experiment-designer、causal-agent）会在建议替代方案前检查决策记录。不再重复讨论同一个分析方法问题。

---

分析 Wiki — /analysis-wiki

由 AI 维护的结构化知识库，汇总团队的分析内容。基于 Andrej Karpathy 的 LLM Wiki 概念：AI 不再每次都搜索原始文件，而是预先将知识整理成结构化页面，并随着分析内容的积累不断扩充。

**工作原理：**归档分析后，运行 /analysis-wiki update。AI 会读取每份已归档的分析，并创建结构化页面：

• analyses/wiki/metrics/dau.md — 汇总所有分析中关于 DAU 的学习成果：关键发现、已验证或已否定的假设，以及关注点
• analyses/wiki/patterns/simpson-paradox.md — 反复出现的模式，以及这些模式出现的背景和方式
• analyses/wiki/hypotheses/INDEX.md — 跨分析的假设验证结果（避免重新测试已有结论的假设）

健康检查：/analysis-wiki check 会查找矛盾（同一假设在一项分析中得到验证、在另一项分析中被否定）、过时页面，以及缺少来源链接的孤立论断。

/analysis-wiki update       # Scan archives → build/update all wiki pages
/analysis-wiki check        # Find contradictions, stale content, gaps
/analysis-wiki show dau     # Display the DAU knowledge page

与其他功能的区别：

功能	适用场景
/analysis-search	查找某项具体的过往分析
/analysis-retro	总结某个时间段内发生的事情
Dashboard	以可视化方式探索分析之间的关系
/analysis-wiki	了解团队对某项指标或模式的所有认知

DR 和 Wiki 配合使用：DR 回答 “我们是如何决定衡量这项指标的？” Wiki 回答 “通过衡量它，我们学到了什么？”

开始使用：

1. 运行 /analysis-init — 创建 analyses/decisions/ 和 analyses/wiki/，并添加预置的 INDEX 文件
2. 运行几项分析并将其归档
3. 运行 /analysis-dr scan — AI 扫描已归档的分析，并提议记录方法论决策
4. 归档 3 项或更多分析后，运行 /analysis-wiki update — AI 汇总并编写指标、模式和假设页面
5. 定期运行 /analysis-wiki check，发现矛盾和过时的知识

关于 Quick 分析的说明：Wiki 页面主要根据 Full 分析（5 阶段文件）构建。由于 Quick 分析（单文件）没有单独的阶段文件，因此对 Wiki 的贡献较少。

---

团队 Dashboard

将完整的分析历史可视化为交互式节点图。

图表展示内容：

• 每个节点 = 一项分析
• 节点大小 = ALIVE 阶段进度（小 = 刚开始，大 = 已完成）
• 节点颜色 = 分析类型（调查 / 实验 / 模拟 / 学习）
• 弧形环 = 已完成的阶段
• 虚线边 = 分析之间的后续关联
• 实线边 = 具有相同标签的分析
• 点击节点 → 保持高亮显示相关分析，其他内容则淡化

**筛选条件：**分析人员、标签、类型、状态、日期范围。按 ⌘K 搜索。

设置：

# Export your analyses to JSON
bash dashboard/export.sh > export.json

# Open in any browser — no server needed
open dashboard/alive-dashboard.html
# Click Load → paste the JSON

为每项分析添加元数据，丰富图表内容：

# analyses/active/F-2026-0303-001_checkout-drop/meta.yml
analyst: geun
tags: [checkout, conversion]
followups: [F-2026-0305-001]
keyFinding: "2.4pp drop confirmed. Mobile UX root cause."

---

MCP 服务 — 让 Claude 查询你的分析

安装 MCP 服务后，Claude 就能在任何兼容 MCP 的客户端中直接访问完整的分析历史。

npm install -g alive-analysis-mcp

Claude Desktop（~/Library/Application\ Support/Claude/claude_desktop_config.json）：

{
  "mcpServers": {
    "alive-analysis": {
      "command": "alive-analysis-mcp",
      "args": ["--analyses-dir", "/path/to/your/analyses"]
    }
  }
}

Claude Code（项目中的 .claude/mcp.json）：

{
  "alive-analysis": {
    "command": "alive-analysis-mcp",
    "env": { "ALIVE_ANALYSES_DIR": "./analyses" }
  }
}

连接 MCP 后 Claude 可以做什么

工具	示例提示词
alive_list	“列出上个季度的所有实验”
alive_get	“显示 F-2026-0303-001 的完整发现”
alive_search	“查找提及 SRM 或样本比例的分析”
alive_dashboard_export	“给我可加载到仪表板的 JSON”

启用 MCP 后，Claude 会跨会话记住团队的分析历史。新团队成员可以询问 “我们对结账流失有什么发现？”，并获得完整的情况介绍——无需任何人翻查文件。

MCP 注册表： io.github.with-geun/alive-analysis 适用于 Claude Desktop、Claude Code、Cursor、Zed、Windsurf 以及其他任何兼容 MCP 的客户端。

---

教育模式 — 学习产品分析

包含七个真实场景，并提供引导式反馈。旨在培养分析思维，而不仅仅是教授工具操作。

初级场景（20–30 分钟，快速版）

场景	问题	练习的技能
b1-signup-drop	“为什么昨天的注册量下降了？”	特定平台的根因分析、数据三角验证
b2-onboarding-comparison	“哪种引导流程更好？”	辛普森悖论、SRM 验证、反向指标
b3-turnover-cost	“人员流动给我们带来多大成本？”	量化、多组成部分估算

中级场景（45–60 分钟，完整模式）

场景	问题	练习的技能
i1-dau-drop	“DAU 为什么下降了 15%？”	多视角分析、假设排除、置信度评分
i2-delivery-fee	“我们应该降低配送费吗？”	政策模拟、敏感性分析、不确定性沟通
i3-ab-test-checkout	“新的结账流程是否提高了转化率？”	实验有效性、SRM 检测、护栏指标
i4-churn-prediction	“我们能预测哪些用户会流失吗？”	ML 流水线、特征选择、模型卡、漂移监控

反馈机制

在每个阶段，Claude 都会根据评分标准评估你的工作，并提供具体反馈，而非泛泛的夸奖。遇到困难？提供三个循序渐进的提示级别：方向 → 具体提示 → 接近答案。犯了常见错误？系统会标记出来，并解释其重要性。

晋级路径：两个初级场景达到 70%+ → 解锁中级 → 中级达到 75%+ → 达到可用于生产的水平。

/analysis-learn              # Pick a scenario
/analysis-learn-hint         # Get a hint without giving away the answer
/analysis-learn-review       # See your score and skill radar

---

情境协议

内置于工作流中，应对那些会让大多数分析偏离正轨的情况：

范围蔓延防护 — 当分析中出现第二个问题时，Agent 会检测到并提供三个选项：将其留作后续处理、替换主要问题，或明确扩大范围并记录权衡。

钻牛角尖防护 — 针对某个子问题进行三轮探究后，会检查它是否仍然可采取行动。如果不再可行，则会提出一个决策点。

数据质量紧急情况 — 提供五种应对选项：使用现有数据进行修补、缩小范围、暂停直到数据准备就绪、附上明确的注意事项后报告，或彻底重新表述问题。

分析独立性 — 内置防护措施，避免受到压力而得出预设结论。如果提示词模式看起来是先有结论再找理由，就会被标记出来。

---

Obsidian 集成

你的 analyses/ 文件夹开箱即用，可作为 Obsidian 知识库使用。

在 Markdown 中使用 [[F-2026-0305-001]] 维基链接——Obsidian 的关系图视图会识别这些链接，并绘制出与团队仪表板相同的关联。适合希望在代码工作流之外使用 Obsidian 进行知识管理的团队。

---

文件结构

your-project/
├── analyses/
│   ├── active/
│   │   ├── F-2026-0303-001_checkout-drop/    # Full analysis
│   │   │   ├── 01_ask.md
│   │   │   ├── 02_look.md
│   │   │   ├── 03_investigate.md
│   │   │   ├── 04_voice.md
│   │   │   ├── 05_evolve.md
│   │   │   ├── meta.yml
│   │   │   └── assets/
│   │   │       └── queries/
│   │   └── quick_Q-2026-0308-001_dau-check.md  # Quick analysis
│   ├── archive/                               # Completed analyses
│   ├── decisions/                             # Analysis Decision Records
│   │   ├── INDEX.md                           # DR index (auto-updated)
│   │   └── DR-NNN.md                          # Individual decision files
│   └── wiki/                                  # AI-maintained knowledge base
│       ├── INDEX.md
│       ├── metrics/                           # One page per metric
│       ├── patterns/                          # Recurring analytical patterns
│       └── hypotheses/                        # Cross-analysis hypothesis results
├── .analysis/
│   ├── config.md          # Team settings (language, data stack, metrics)
│   ├── agents.yml         # Enable/disable individual agents
│   ├── checklists/        # Stage checklists — edit to customize
│   ├── status.md          # Current analysis state
│   ├── agent-state.md     # Agent suppression history
│   ├── models/            # ML model registry
│   ├── metrics/           # Metric definitions and monitors
│   └── decisions/         # Per-analysis business decision memos (VOICE stage output, not DR records)

按类型划分的分析 ID：

• F-YYYY-MMDD-NNN — 调查或建模（完整模式）
• Q-YYYY-MMDD-NNN — 快速检查
• E-YYYY-MMDD-NNN — 实验 / A/B 测试
• S-YYYY-MMDD-NNN — 模拟
• L-YYYY-MMDD-NNN — 学习场景

---

平台支持

功能	Claude Code	Cursor 2.4+
完整 ALIVE 循环	✅	✅
全部 25+ 条命令	✅	✅（批量交互）
31 个专业 Agent	✅	✅
教育模式	✅	✅
MCP 服务	✅	✅
团队仪表盘	✅	✅
决策记录（DR）	✅	✅
分析 Wiki	✅	✅

Cursor 使用批量交互模式——一次性呈现所有必需输入，而非逐步呈现，并针对 Cursor 的 Agent 循环行为进行了优化。

---

它不是什么

不是 BI 工具。 团队仪表盘展示的是你的分析历史，而非业务指标。alive-analysis 组织的是你的思考，而非你的报告。

不是数据管道。 它不会连接数据库或自动运行查询，而是帮助你思考要运行哪些查询，以及为什么运行。

不限定你的数据技术栈。 可搭配任意 SQL、Python、R、笔记本或电子表格使用。该方法与工具无关。

---

更新日志亮点

版本	发布内容
v1.4.0	分析记忆系统——决策记录（DR）+ 分析 Wiki（LLM Wiki 概念）
v1.3.0	团队仪表盘（交互式节点图）、MCP 服务（npm + MCP Registry 上的 alive-analysis-mcp）
v1.2.0	31 个专业 Agent——注册表、路由器、31 个专用提示词、Cursor 完整 Agent 表
v1.1.0	教育模式——7 个场景、常见错误反馈、4 条命令 × 2 个平台
v1.0.0	分析搜索、自动回顾、统一 README
v0.3.0	A/B 测试模块、指标监控、Quick→Full 升级、平台拆分（Claude Code / Cursor）

完整更新日志：CHANGELOG.md

---

参与贡献

欢迎提交问题和 PR。请参阅 CONTRIBUTING.md。

许可证

MIT — with-geun