AI 数据分析师
数字有误时
不会给出任何信号。
聊天式分析师总会输出看似合理的内容——无论对错，读起来别无二致。SQAI 是以另一种方式构建的 AI 数据分析师：确定性引擎计算每一个数字，每一个数字都携带可供复现的哈希值。
似是而非，无从证明。
II分析师账本
它能回答什么，能证明什么。
同一问题，同一数字，却是两种截然不同的对象。左列是答案；右列是记录——计划、调用与计算哈希，重新运行后字节完全一致。
分析师账本每行均附带哈希
№ 01region = "east" · sum(revenue)东区总营收
十二行中有五行匹配。用 TypeScript 或 Python 重新运行——返回相同的哈希。
№ 02finance.npv(0.1, [-1000, 300, 420, 560, 680])10% 折现率下的净现值
全部十五位数字，在 TypeScript 与 Python 之间字节完全一致。
№ 03finance.npv(rate, revenue)同一模块，绑定至实时列
在引擎中计算，从不经过对话——热启动耗时 0.83 ms。
数字完全相同。只有一列经得起审计。
III同一模型，两次
0/16，再到 16/16。
十六道定量问题，同一模型，两次运行。左侧：模型自行完成运算。右侧：SQAI 引擎计算，模型负责呈现。提示词相同，数据相同——唯一的变量是谁掌握数字。
模型擅长理解问题，但它从未被设计成计算器。 为何引擎答案可精确重放 →
IV工作台
445 个模块随时待命。
分析师的能力上限，取决于其背后的工作台。类型化计划指定所需能力——财务、风险、统计、时间序列——引擎在固定运行时上完成计算：float64、单线程，每次运行字节完全一致。
- finance.npv
- 现金流序列的净现值
- finance.irr
- 内部收益率
- risk.beta
- 收益序列相对基准的敏感性
- stat_tests.pearson_r
- 相关性及检验统计量
- regression.ols_multiple
- 单次计算多因子驱动
- timeseries_stats.holt_linear
- 时间序列趋势预测
V两类分析师
易用不等于可验证。
消费级分析师优化答案的呈现面——对话输入，图表输出，粘贴进幻灯片。SQAI 优化的是其背后的支撑：只读接口、由代码设定的策略、每个数字的溯源记录。
构造上只读。模型只能发起请求；允许列表决定是否放行。 策略如何收窄权限 →
VI常见问题
常见问答
什么是 AI 数据分析师？
将自然语言问题转化为数据计算结果的软件。多数产品以对话为核心：模型读取文件后即兴完成分析。SQAI 以工具为核心：模型将问题翻译为类型化执行计划，由确定性引擎完成计算，并随答案返回可精确复现的哈希值。
我可以用 SQAI 替代 ChatGPT 数据分析师吗？
如果你需要经得起推敲的数字，可以。对话式分析师追求易用性——上传文件，得到一个看似合理的数值。SQAI 追求可验证性：模型从不参与运算。在十六道定量题中，同一模型单独作答得分 0/16，由引擎计算后得分 16/16。
我怎么知道结果是正确的？
每个答案都附带计划、调用与计算的哈希值，覆盖规范化输入与结果。重新执行请求，字节完全一致——TypeScript 与 Python 均如此。若底层数据的 schema 发生变更，运行将以 schema_revision_mismatch 报错终止，而非悄然返回不同的数字。
它的速度足以支持交互式分析吗？
聚合运算在进程内毫秒以下响应。445 个计算模块预热后响应时间为 0.83–0.93 ms；引擎初始化为一次性操作，约需 110 s。
模型会读取我的完整数据集吗？
不会。引擎读取数据；模型每次作答最多可见 25 行、250 个单元格及 32,000 字节——任何截断均会明确声明，绝不静默处理。整个接口在设计上为只读。