AI Agent 数据分析：Claude Code + MCP 实战指南

构建可核查的数据分析流程

AI agents 做数据分析，怎样让结果有据可查，也让关键判断留在人手中？一套可复核的工作流，需要明确指标和比较范围，连接适合的数据来源，核对期间与单位，再把事实、计算和解释分别展示。

本文结合 Anthropic 关于专家判断的研究，说明如何用 Claude Code、MCP 与 QVeris 接入专业数据，并通过财报核查和 X 讨论分析两个案例，展示从数据获取到 human oversight 的具体做法。文中包含接入命令、可复制提示词和结果交付模板。

Anthropic 的研究，为什么值得数据分析师关注？

研究人员 Alex Tamkin 分享的 Anthropic 研究中，50 名使用 Claude Code 的专业分析师完成了一项任务。在四类分析选择中，86% 的选择与 Agent 被随机赋予的倾向一致。这个数字描述的是选择与倾向的一致比例，并不等于“86% 的专家被 AI 控制”。阅读研究原文

研究只涉及单一模型、约一小时的任务，并人为强化了 Agent 的倾向。研究还观察到使用 Agent 的参与者用时更短、严重错误更少，但是否使用 Agent 并非随机分组，因此不能据此确定因果关系。它提供了一个具体提醒：检验 AI 辅助分析时，也需要关注分析过程中由谁选择指标和方法。

我们在 QVeris 关注这个问题，是因为专业数据接入和 human judgment（人的判断）紧密相连。一份结果可能没有计算错误，却仍受到样本范围、评价目标和比较口径影响。数据能够帮助检查依据；如何解释依据，还需要分析者作出明确选择。

AI agents 如何参与 data analysis 与 agentic analytics？

在本文中，data analysis 指围绕具体问题进行数据整理、计算和解释；data analytics 用来描述更完整的分析实践，包括持续观察业务指标、形成报告和支持决策。agentic analytics 则强调由 Agent 组织多个步骤，例如查找数据、调用工具、运行计算，并根据结果调整后续分析。

以“评估一家公司的季度表现”为例，Agent 可以先寻找财务数据，再计算同比变化，最后组织成报告。这个过程至少包含三类不同工作：获得事实、选择方法、解释结果。即使这些步骤在同一段对话里发生，也应让用户能够分别检查。

“做完分析”需要有清楚的交付标准。本文建议至少交付原始数据及出处、计算公式、关键假设、不同口径下的解释，以及尚未解决的问题。这个标准是我们建议的使用方法，不是任何模型或数据平台自动保证的能力。

数据质量与来源追踪：data quality 和 data provenance

Data quality 关注数据是否适合当前任务。要检查的内容包括字段是否缺失、数值是否异常、期间和单位是否一致，以及更新频率是否满足需求。数据看起来完整，也可能因为口径不匹配而无法直接比较。

Data provenance 关注数据从哪里来、经历了什么处理。一个实用的记录方式，是保留原始来源、获取时间、报告期间、版本或文件标识，并记录计算和转换步骤。具体能够保留哪些字段，取决于来源实际提供的信息；缺少时应标注“未提供”，而不是补写一个看似可信的出处。

例如，某个数据接口返回“营收 120”，分析前仍需确认它代表哪家公司、哪个期间、什么币种和单位。如果另一条记录是半年累计值，两者就不能直接用于季度同比。检查 data sources（数据来源）时，应把这些条件与数值一起读取。

当多个来源不一致时，也不能简单以数量投票决定正确值。它们可能引用同一份底层数据，或者采用不同更新时间与统计定义。更有用的做法，是回到对应原始披露，并记录差异原因。

通过 MCP 连接 data APIs：QVeris 提供哪些能力？

MCP，即 Model Context Protocol，为 AI 应用连接外部系统、数据与工具提供标准化方式。一个 data API 通常提供某项具体数据服务；MCP 则提供客户端与工具之间的连接方式。两者可以配合，让 Agent 按任务调用所需能力。MCP 官方介绍

QVeris 是专业数据与工具接入平台，支持通过自然语言发现能力，并使用结构化参数执行调用。它的作用，是帮助 Agent 在可用目录中找到合适的数据服务和工具，减少分别接入不同服务时的重复工作。官网列出的方向包括金融与公司、社交媒体、研究与专利等；具体范围以选中服务为准。QVeris 官网

官方文档的默认路径是 Discover → Call；需要更多契约细节时增加 Inspect，需要参数检查或当前报价时增加 Probe。Discover 与 Inspect 免费，实际数据调用按能力计费规则结算。使用文档 · 计费说明

在这个分工里，QVeris 负责可用数据与工具的接入，Agent 负责组织分析，用户负责目标与重要判断。数据供应商的覆盖、时效和返回字段仍需核查；来源追踪、敏感性分析与人工确认也需要在工作流中明确实现。

Claude Code 数据分析实战：接入 QVeris 的四个步骤

以下以支持远程 MCP 的 Claude Code 为例。使用其他客户端时，可在 QVeris 接入页面选择对应指引。

步骤一：连接数据工具。在 QVeris 控制台创建 API Key，按官方 Hosted MCP 说明配置以下命令中的本地占位符。真实密钥保存在自己的配置中，不写入公开文章或共享提示词。重新连接后，在 /mcp 中确认服务状态。Hosted MCP 配置说明

claude mcp add --transport http qveris https://mcp.qveris.ai/mcp --scope user --header "Authorization: Bearer YOUR_QVERIS_API_KEY"

步骤二：先发现能力。用一个范围明确的问题检查连接。例如：“请用 QVeris 查找美国上市公司季度财报数据工具，返回最匹配的三个 tool_id 与适用范围，暂不执行数据调用。”

步骤三：确定范围与执行条件。对选中的服务确认公司标识、报告期间、币种、字段和费用。需要预检时使用 Probe。报价用于了解执行条件，不代表价格被锁定，也不会证明取回的数据正确。Probe 说明

步骤四：执行、核对并交付。取得结果后，先确认数据完整性，再核对原始披露和计算过程。原始文件读取需要可用的工具或人工完成；不能假设任何一次 API 调用都包含全部证据。

下面的提示词可以直接交给已连接的 Agent。它使用“先给方案、确认后执行”的教学流程，便于用户理解范围和成本。

这个任务参考 官网财报核查示例。本文提供的是操作说明，没有执行实时财报查询，也没有把示范写成客户实测成果。

财报案例：营收增长 20%，为什么还不能直接判断“变好了”？

假设虚构公司 A 的营收从 100 万元增至 120 万元，净利润从 10 万元降至 9 万元。以下比较使用同一会计口径下的本季度和上年同期，所有数字仅供教学。

营收增速按“本期营收 ÷ 上年同期营收 − 1”计算，净利率按“净利润 ÷ 营收”计算。收入规模扩大与盈利能力下降可以同时发生。Agent 应展示这两个事实，并进一步说明成本、一次性项目等信息是否足以解释变化。

如果问题是“市场规模是否扩大”，收入可能是重要线索；如果问题是“增长是否更有利润”，就需要进一步检查利润与相关成本。评价目标应由用户明确。QVeris 可以帮助取得所需数据，目标选择和经营解释仍属于分析工作。

建议交付结果时采用下列结构，让读者能从判断回到证据：

Human oversight：让 human in the loop 进入关键步骤

Human oversight 指人对系统过程与结果的监督。本文所说的 human in the loop，是在特定步骤安排人的参与，例如确认目标、审阅关键假设和决定是否继续。它能否发挥作用，取决于人是否看到了足够的信息，并有机会改变分析路径。

分析开始前，明确目标。把“表现好吗”拆成需要回答的具体问题，并写下可接受的指标、样本和比较范围。Agent 可以建议备选方案，但不应把某个默认口径包装成唯一合理答案。

方法选择时，比较结果。当不同权重、样本或时间窗口会影响结果时，让 Agent 展示变化，并说明为何采用其中一种。只要求它“再检查一次”，未必会暴露最关键的假设。

交付结论时，保留判断理由。说明哪些结论由数据直接支持，哪些依赖解释，哪些仍存在缺口。对于有多个合理答案的问题，人的判断可以通过明确目标和价值取舍体现出来。

这些是我们建议的设计原则。Anthropic 的研究没有证明上述流程可以彻底消除偏差，QVeris 也不把数据接入等同于独立判断的保证。

X 讨论分析案例：从检索词到可核查的观点样本

同样的方法也适用于品牌团队的 data analytics 工作。例如，你想了解“大家如何看待 AI agents 对专家判断的影响”，可以从以下检索词进入讨论：

Anthropic "AI agents" judgment
"Claude Code" ("data analysis" OR analytics)
"AI agents" ("human judgment" OR "human oversight")
"AI agents" ("human oversight" OR "human in the loop")
"AI agents" ("data quality" OR "data provenance")
MCP ("data API" OR "data APIs" OR "data sources")
from:AlexTamkin since:2026-10-27

这些是 X 站内查找讨论的示例，其中 from: 与 since: 用于限定作者与日期；使用时应按研究范围调整。可以用“热门”观察传播观点，用“最新”寻找近期讨论。操作方式参见 X 搜索说明。

如果希望让 Agent 采集和整理数据，可以先通过 QVeris 发现适合的社交媒体能力，再确认当前是否支持 X、时间筛选、分页和互动字段。确认支持后才执行；没有合适能力时，应保留覆盖缺口。官网列有社交媒体服务方向，但不能据此推定任何查询都受支持。

分析时先限定时间、语言和主题，再按帖子 ID 去重，区分原创与转发。既可以按帖子数观察讨论分布，也可以按互动量观察传播情况；两种口径回答的问题不同。点赞或浏览量反映特定时点的互动，不能直接代表所有人的认同。

最终报告应给出原帖链接、采集时点、筛选条件和分类理由。结论表述为“在这批可见样本中”，并保留不同观点。这样的结果可以帮助团队选择值得回应的问题，同时避免将热门样本误写成行业共识。

常见问题：AI 数据分析、MCP 与专业数据接入

从一次可核查的数据任务开始

一个合适的起点，是把常用 AI 连接到数据工具，先做免费的能力发现，再根据任务范围执行调用。你可以从财报中的两个字段开始，观察 Agent 是否能清楚交代数值、期间、来源，以及仍需判断的部分。

连接你的 AI，查找适合任务的数据能力 · 查看 QVeris 使用文档

本文依据截至 2026 年 10 月 28 日可访问的资料整理。公司 A 为虚构算例，NVIDIA 与 X 部分为使用流程示范，未声称完成实时查询。QVeris 观点与 Anthropic 研究结论已作区分。

主要资料：Anthropic 研究、Alex Tamkin 原帖、MCP 官方介绍、QVeris 文档、Hosted MCP 说明、Probe 说明。