Agent Skills
返回列表
📊

DuckDB SQL 分析代理

数据分析 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md 的指南，将 @user_3c6cb52e/duckdb-sql-analytics-agent 安装到当前 AI 助手中。

技能介绍

本地分析型查询的痛点

当你手头只有一堆散落在磁盘的CSV、Parquet或JSON文件，却需要做筛选、聚合、窗口函数这类OLAP风格的分析时，Excel会因数据量卡顿，pandas在大文件下内存占用高，而搭建传统数据库服务器又显得过于重型。这个技能瞄准的就是这类「本地文件 + 轻量分析」的场景。

技能如何工作

它基于DuckDB进程内数据库引擎，核心能力是直接对磁盘上的平铺文件执行分析型SQL，全程无需启动独立服务。

  • 数据导入零成本：对CSV和Parquet文件，只需在SQL的FROM子句中直接引用文件路径，无需提前加载到内存或做格式转换；
  • 原生支持多格式：覆盖常见的结构化数据格式，包括CSV、Parquet、JSON；
  • OLAP风格查询：支持标准的分析型SQL语法，能完成聚合、分组、排序、窗口函数等典型分析操作。

适用边界与注意点

  • 开发环境依赖：若需要从源码编译DuckDB，需准备CMake、Python 3和符合C++17标准的编译器，在项目根目录执行make即可完成编译；
  • 运行形态可选：DuckDB提供独立的CLI应用，同时提供Python、R等语言的客户端，可匹配不同的使用习惯；
  • 场景定位明确：它专注于「本地文件的即席分析」，不适合需要多用户并发、高吞吐写入的在线交易型（OLTP）场景。

使用场景

  • 数据分析师手头有几十份几百兆的 CSV 日志文件，需要用 SQL 快速聚合出各渠道的转化漏斗，不想搭建数据库服务器。
  • 后端工程师需要临时查询本地生成的 Parquet 格式用户行为数据，通过窗口函数计算七日留存率，直接在命令行执行。
  • 研究人员收集了一批散落的 JSON 格式问卷数据，需要将其与同目录下的 CSV 数据做多表关联和分组统计，提取图表指标。
  • 运维人员需要对本地导出的服务器性能 CSV 报表进行时间窗口内的峰值聚合与排序，找出负载最高的时段，无需大数据平台。

适合人员

  • 数据分析师：需要处理海量本地 CSV 文件，希望用熟悉的 SQL 语法直接完成复杂聚合，摆脱对重型大数据平台的依赖。
  • 后端开发工程师：偶尔需要排查本地日志或验证数据管道产物，诉求是无需启动重型数据库服务即可快速查询 Parquet 文件。
  • 算法与数据研究人员：面对多种格式的本地数据集，希望用一套统一的 SQL 接口进行即席探索和特征提取，降低数据准备成本。
  • 独立开发者与全栈工程师：在构建个人项目时，需要一个轻量级本地分析引擎对 JSON 和 CSV 进行快速统计，避免引入沉重的后端架构。