先说个数字落差：21% 到 95% 以上。
这是 Anthropic 内部用 Claude 跑数据分析时，准确率前后的变化。同一个模型，没换。中间只做了一件事——先把”规矩”喂给它。
6 月 21 日，Anthropic 几位工程师公开了他们内部的一套做法：现在公司里大约 95% 的数据分析问题，Claude 自己就能答，员工想查业务数据，不用再排队等数据团队帮忙跑。
听起来又是一个”AI 真能干活”的故事。但真正有意思的，是它怎么从”能用”变成”敢信”的。
直接上 AI，准确率只有 21%
这事的起点挺扎心。
一开始，他们就是把业务数据接给 Claude，让它直接答问题。结果准确率只有 21%。
21% 什么概念？你问十个问题，将近八个答得不对。这种东西没法用——数据分析一旦答错，比不答还危险，因为人会当真，然后拿着错数字去做决定。
问题不在模型笨。问题在于，Claude 不知道你们公司内部那些”潜规则”：哪张表才是准的、“活跃用户”到底按哪个口径算、哪个指标早就废弃了不能再用。这些东西没写在数据库里，全装在老员工脑子里。
模型再强，也猜不出你们公司自己定的规矩。
把”业务常识”写成 Skills，再喂给模型
Anthropic 的解法，是把这些藏在人脑里的规矩，一条条显式地写出来，做成 Claude 的 Skills（可复用的分析流程加业务定义）。
他们搭了一套四层结构：
- 数据底座——治理好的数据模型、指标、元数据，相当于地基
- 知识层——语义定义、数据血缘、业务背景，告诉模型每个字段到底什么意思
- Skills 层——把常做的分析流程固化下来，模型照着走
- 校验层——结果对不对，有专门的系统核一遍
加上这套之后，准确率从 21% 一路拉到 95% 以上，有些领域甚至逼近 99%。
参与这套系统的 Chen Chang、Clement Peng 等几位作者，把好处说得很直白：
“By giving this often rote, repetitive work to Claude, our data science team can focus on more strategic work like causal modeling, forecasting, and machine learning.”
讲人话就是——那些重复、机械的查数活儿丢给 Claude，数据团队腾出手去做因果建模、做预测、做机器学习这些真正动脑子的事。
而撑起这套东西的数据科学加工程团队，总共就 5 个人。
真正的结论：瓶颈不在模型，在”上下文”
这套实践里最反直觉、也最值钱的一点是——
让 AI 答得准，靠的不是换一个更聪明的模型，而是先把数据治理、把业务语义、把规矩理清楚。
同一个 Claude，没接规矩之前 21%，接上之后 95%。模型一点没变，变的是你喂给它的上下文。
他们那句话挺到位：
“If data foundations are the data warehouse itself, sources of truth are the reference surfaces the agent consults to navigate it.”
数据底座是仓库本身，“真相来源”则是 agent 进仓库找东西时要查的那张地图。没有地图，模型再强也只是在仓库里瞎转。
这给所有想在公司里上 AI 分析的团队提了个醒：你以为卡在”模型不够强”，多半其实卡在自己家数据太乱、口径没统一、业务常识没人写下来。
先把这些理顺，再谈让 AI 接管。顺序反了，换多强的模型都是 21%。
参考来源：CocoLoop、Anthropic Reports Claude Now Handles 95% of Internal Analytics Queries（InfoQ）