本文为转载内容，保留原帖观点与结构；如有侵权请联系我处理。

别忘了！claude code也是agent框架，类似langgraph,crewAI，autogen等等agent框架。我改造claude code搞一个数据分析智能体AI。试试看行不行！：让数据分析变得像聊天一样简单！

开发改造claude code 具体指的是什么呢？

就是以下agent配置：

过去我分享了利用claude code进行数据分析，反应不错。其实那个基本上已经完全不需要写代码，但是缺点就是：你需要懂一些数据分析概念，才能指挥AI完成数据分析。

改造claude code！

这次的方案更厉害！完全不需要你懂数据分析，什么都不需要懂，只需要把各种各样数据表复制过来，我已经训练好专业的数据分析师给你全自动化工作！

5个智能体！ 帮你全自动化解决数据分析！

为什么选择 claude code作为智能体框架，因为我知道，这可能是非常重要的方向，其他的框架的深层能力方面太弱了，开发更复杂的智能体，显然需要claude code改造。

演示流程

0，先从github下载我开源的 claude code 数据分析智能体：

1, 把需要分析的文件csv复制到项目的 \data_storage 文件夹

我这里随便拿一个房价的csv，我这个agent不错的地方就是，你随便什么csv内容都可以试试，我这个agent足够聪明和灵活，会各种各样分析方法搞定。

2，先让AI进行探索性数据分析：exploratory

在claude code中执行 ：

/analyze sample.csv exploratory 我们这里第一步是“/analyze” ，意思就是先分析看看，考察一下情况。这个是利用了claude code的command技术。

AI自动选择合适的agent去处理工作。

完成！

妈啊，我什么都没做，就是一个命令让ai自己去分析，AI就选择agent选择工具，自己编程自己处理各种各样工作，完成。你完全不需要懂数据分析。 完整的代码和报告，你可以验证，不是AI幻觉！

3，下一步我们试试可视化：

在claude code中执行 ：

/visualize your_data.csv distribution /visualize 就是可视化命令， distribution就是可视化数据分布，这里你可以按你要求的可视化内容，AI会理解的。例如： /visualize your_data.csv 趋势

你只需要一行命令，就可以得到这么多专业数据分析可视化成果。同时有代码的，你可以检查和改变。

4，下一步让AI生成数据分析详细报告

在claude code中执行 ：

/report your_data.csv

5， 还有其他更深入的功能，我不介绍了，有兴趣自己试试：

• /generate [language] [type]: Generate code ，这个是生成编程语言版本的深度数据分析。
• /hypothesis [dataset] [domain]: Generate hypotheses ，这个是预测类型的数据分析，例如分类，趋势，关联，预测建模后，还会自动进行假设检验，确定模型准确性。

github开源地址：

只需要几个命令，而且命令都是你可以灵活传参数，你可以不按我的分析方法（在项目的docs），你参考我的参数就可以，各种各样的数据分析，让数据分析变得像聊天一样简单！

本文为转载内容，保留原帖观点与结构；如有侵权请联系我处理。

过去我在linuxdo写了一些agent相关文章：

不少人有反馈，那么我继续写哈！ 介绍一个我自己最喜欢的新方法，我认为这个方法才是真正的Agent智能体，我就是用它搞新项目的：

利用claude code 作为agent框架：

利用claude code agent框架一步一步实现deep research！利用好很强大很简单的skills

###下面我一步一步展示怎样搞出来：

什么是agent框架？为什么CC可能才是最佳agent框架？

例如下面就是crewAI agent框架的介绍，核心就是这些，思考一下，CC全部都有，而且更强大10倍，所以几个月前我就利用CC搞数据分析，完全很好用：

CC搞数据分析：GitHub – liangdabiao/claude-data-analysis-ultra-main: 让小白都可以一键进行数据分析，搞互联网的，搞电商的，搞各种各样的，那么其实就会用到 互联网的数据分析， 例如互联网会关心 拉新，留存，促活，推荐，转化，A/B test, 用户分析 等等很多有用的数据分析。 命令就是“/do-more”.

CC开发的核心：

subagent, commands, skills 这些就是开发CC智能体的核心，都是写markdown就可以。

简约不简单，非常强大，难以置信，开发它好像搞外星人一样，或者说人造人一样。

下面我一步一步介绍实现deep research，因为deep research就是agent框架第一应用，对比一下各个框架实现这个deep research，就知道哪个框架才是真厉害。

deep-research.md

---
description: 对指定主题执行完整的深度研究流程，从问题细化到最终报告生成
argument-hint: [研究主题或问题]
allowed-tools: Task, WebSearch, WebFetch, mcp__web_reader__webReader, Read, Write, TodoWrite
---

# Deep Research

Execute comprehensive deep research on the given topic using the 7-phase research methodology and Graph of Thoughts framework.

## Topic

$ARGUMENTS

## Research Workflow

This command will execute the following steps:

### Step 1: Question Refinement
Use the **question-refiner** skill to ask clarifying questions and generate a structured research prompt.

### Step 2: Research Planning
Break down the research topic into 3-7 subtopics and create a detailed execution plan.

### Step 3: Multi-Agent Research
Deploy multiple parallel research agents to gather information from different sources:
- Web Research Agents (3-5 agents): Current information, trends, news
- Academic/Technical Agent (1-2 agents): Research papers, technical specifications
- Cross-Reference Agent (1 agent): Fact-checking and verification

命令告诉AI怎样workflow，怎样调用tools，skills。

多个skills commands是命令步骤，而skills是每一个步骤的具体逻辑，例如：Research planning with Graph-of-Thoughts 逻辑。如下，我把deep research的理论和具体细节都写成markdown skill。AI会参考来工作。

name: research-executor

description: 执行完整的 7 阶段深度研究流程。接收结构化研究任务，自动部署多个并行研究智能体，生成带完整引用的综合研究报告。当用户有结构化的研究提示词时使用此技能。

---

claude-code-deep-research/
├── .claude/
│   ├── skills/                    # Skills definitions
│   │   ├── question-refiner/      # Question refinement skill
│   │   │   ├── skill.json
│   │   │   ├── instructions.md
│   │   │   └── examples.md
│   │   ├── research-executor/     # Main research execution skill
│   │   │   ├── skill.json
│   │   │   ├── instructions.md
│   │   │   └── examples.md
│   │   ├── got-controller/        # Graph of Thoughts controller
│   │   │   ├── skill.json
│   │   │   ├── instructions.md
│   │   │   └── examples.md
│   │   ├── citation-validator/    # Citation validation skill
│   │   │   ├── skill.json
│   │   │   ├── instructions.md
│   │   │   └── examples.md
│   │   └── synthesizer/           # Research synthesis skill
│   │       ├── skill.json
│   │       ├── instructions.md
│   │       └── examples.md
│   └── commands/                  # User-facing commands
│       ├── deep-research/         # Main deep research command
│       ├── refine-question/       # Question refinement command
│       ├── plan-research/         # Research planning command
│       ├── validate-citations/    # Citation validation command
│       └── synthesize-findings/   # Synthesis command

如果你的任务很复杂，那么就需要做多个AI员工，分工合作完成，那就是subagent。我这里不要，因为多个subagent就会带来沟通成本。一个agent就不需要上下文的处理。

运行起来

CC运行起来太简单，就是你自己做的command命令：

这里就是 ：

/deep-research Michael Jackson 在中国的流行

就这样就可以全自动化完成工作了，下面展示过程：

AI遇到不清晰，它会问清楚你的需求。 AI自己执行多个并行task任务，每一个任务运行多个tools，这么神奇，我告诉你，你什么都不需要做，这些都是AI自己自由发挥的。 AI自己想上网就上网，它自带了search, fetch 等功能，也自己会用playwright mcp等等上网百度谷歌：

这些都是AI自己搞的，不是我教它的，所以这才是智能，这才是Agent,过去那些框架这么傻，我才不用。

deep research最后成果

看，巨大的报告：

结论

我这里是用deep research 作为例子，其实所有agent开发都可以直接用claude code，例如我做的全自动数据分析也是：

对比那些crewAI, langgraph, dify, autogen，反正我觉得CC才是真的agent。

开源地址：

核心技术要点：

- **Graph of Thoughts (GoT)** Framework - Intelligent research path management with graph-based reasoning

- **7-Phase Deep Research Process** - Structured methodology for quality research

- **Multi-Agent Architecture** - Parallel research agents with specialized roles

- **Citation Validation System** - A-E source quality ratings with chain-of-verification

本文为转载内容，保留原帖观点与结构；如有侵权请联系我处理。

初衷：安装、管理 skill 好麻烦

现在：一句命令轻松管理，而且带有 TUI

TLDR：

列出用户和项目中的技能

x claude skill ls 在当前项目环境中添加 anthropics 的 document/docx skill x claude skill add anthropics/document/docx 在全局用户环境中启用 anthropics 的 document/docx skill x claude skill use anthropics/document/docx

这是我们 x-cmd 团队用 shell 和 fzf 实现的轻量 TUI，加上 x-cmd 核心包，仅 1.1 M

Skill 网站 github 源码