把一句模糊的业务问题，转成可计算、可复查、可汇报的指标异动分析流程。

你可以根据所在地区选择更稳定的访问入口：

如果某个入口访问较慢，建议切换到另一个入口尝试。

建议使用流程：

1. 打开网站
2. 点击右上角 API 设置
3. 填入自己的 API Key、模型名称和 API Base URL
4. 从 Step 1 开始输入业务指标问题
5. 上传数据后，按流程生成分析计划、指标计算、可视化分析、证据链和报告草稿
6. 默认接入DeepSeek-v4-flash模型，但是DeepSeek在长文本和结构化 JSON 分析任务中响应较慢，尤其是上传数据后的字段语义识别。如果你更看重速度和稳定性，建议在这里选择 OpenAI 并使用自己的 OpenAI API。

SOVA AI 是一个面向 数据分析 / 商业分析 / AI 产品展示 的指标异动分析工作台。
它可以帮助用户从“最近转化率下降了”“胜率为什么突然变低”“SLA 超时率为什么升高”这类模糊问题出发，逐步确认指标口径、上传数据、执行聚合计算，并生成 Top movers、可视化拆解、证据链和报告草稿。

在真实业务分析中，很多需求一开始并不是清晰的 SQL 题，而是一句很模糊的话：

最近转化率下降了，帮我看看是不是渠道、设备、页面加载导致的。

或者：

这周胜率为什么突然下降？
客服 SLA 超时率最近为什么变高？
物流配送延迟率是不是某些仓库或天气因素导致的？

这类问题真正难的地方不是“写一条 SQL”，而是先把问题拆清楚：

• 到底要分析什么指标？
• 指标口径是什么？
• 分子和分母分别是什么？
• 应该比较哪个时间段？
• 应该按哪些维度拆解？
• 哪些分组变化最大？
• 哪些辅助指标能支持判断？
• 最后如何整理成可复查的分析结论？

SOVA AI 的目标就是把这个过程产品化，让用户从一个模糊问题开始，逐步得到结构化、可解释的分析结果。

SOVA AI 的分析流程如下：

业务问题
→ 指标口径确认
→ 对比周期选择
→ 分析维度选择
→ 数据上传
→ 字段语义识别
→ Metric Spec 生成
→ DuckDB 指标计算
→ 主指标结果
→ Top movers
→ 可视化分析
→ 证据链生成
→ 报告草稿生成

这个流程强调三点：

1. 先理解业务问题
2. 再生成可控的指标计算规格
3. 最后用数据结果生成证据链和报告

相比直接让 AI 随便写 SQL，这种方式更安全，也更适合真实的数据分析工作流。

当前产品采用 Step 1–10 的分步式工作流：

Step 1  描述业务问题
Step 2  确认指标口径
Step 3  确认对比周期
Step 4  确认分析维度
Step 5  确认近期变化因素
Step 6  上传数据
Step 7  生成分析计划
Step 8  执行指标计算与可视化分析
Step 9  生成证据链
Step 10 生成报告草稿

每一步都会逐步减少问题的不确定性，让用户从“我感觉某个指标变差了”走到“我知道哪些分组变化最大，并且有证据支持这个判断”。

用户只需要输入一句自然语言业务问题。
系统会帮助识别：

• 分析目标
• 指标名称
• 可能的指标口径
• 分子字段
• 分母字段
• 时间字段
• 推荐拆解维度
• 可能的变化因素

SOVA AI 不会直接跳到计算，而是先帮助用户确认指标口径。

例如：

转化率 = 转化人数 / 总访问人数
激活率 = 激活用户数 / 新注册用户数
SLA 超时率 = 超时工单数 / 总工单数
胜率 = 胜场数 / 总场数

这样可以减少“指标定义不清楚”带来的分析偏差。

SOVA AI 会将用户确认后的分析需求转成结构化 Metric Spec。

Metric Spec 通常包括：

• 指标名称
• 指标公式
• 分子字段
• 分母字段
• 时间字段
• 对比周期
• 拆解维度
• 辅助指标字段

这个设计可以让分析计算更可控，而不是让 LLM 自由写 SQL。

SOVA AI 使用 DuckDB 执行本地聚合分析，支持：

• 本期 vs 上期指标对比
• 分子 / 分母变化
• 维度拆解
• Top movers
• 辅助指标对比

这样可以让结果更稳定，也更容易复查。

系统会识别导致指标变化最大的分组。

例如：

• 哪个渠道转化率下降最多？
• 哪个仓库延迟率上升最明显？
• 哪个客服团队 SLA 超时率贡献最大？
• 哪张地图胜率下降最明显？
• 哪类设备的转化率变化最异常？

Top movers 可以帮助用户从“指标发生变化”进一步走到“主要变化来自哪里”。

指标计算完成后，用户可以生成可视化分析。

可视化分析用于帮助用户更直观地理解：

• 整体指标变化
• 分组表现差异
• Top movers
• 辅助指标变化
• 可能的异常模式

在当前产品流程中，可视化分析被作为 Step 8 的重要步骤展示，而不是隐藏在底部的二级功能。

SOVA AI 会根据计算结果生成证据链。

证据链会把这些内容串起来：

指标变化
→ 主要变化分组
→ 辅助指标对比
→ 支撑性发现
→ 可复查结论

它的目的不是直接替代人工判断，而是帮助用户快速形成一组可验证的分析线索。

最后，系统会根据指标结果和证据链生成报告草稿。

报告草稿适合用于：

• 业务复盘
• 小组讨论
• 分析作业
• 面试作品展示
• 后续人工修改

报告内容可以复制出来继续编辑。

SOVA AI 适合分析“某个指标最近变好或变差”的问题。

目前重点测试过的场景包括：

配送延迟率 = 延迟配送订单数 / 总配送订单数

可用于分析：

• 仓库
• 承运商
• 地区
• 天气
• 包裹大小

7 日激活率 = 7 日内完成激活的新用户数 / 新注册用户数

可用于分析：

• 获客渠道
• 用户套餐
• 注册来源
• 核心配置完成情况
• 产品使用行为

SLA 超时率 = SLA 超时工单数 / 总工单数

可用于分析：

• 工单类型
• 客服团队
• 问题类别
• 系统模块
• 处理优先级

胜率 = 胜场数 / 总场数

可用于分析：

• 地图
• 特工
• 队列类型
• 服务器
• ACS
• K/D

试用转化率 = 免费试用注册数 / 页面访问人数

可用于分析：

• 流量渠道
• 设备类型
• 页面版本
• 跳出行为
• 表单错误
• 加载时间

当前 UI 采用深色 AI 工作台风格。

设计关键词：

• 深色 AI workspace
• 左侧分析驾驶舱
• 右侧主 workflow 区
• 顶部 step navigation
• 彩色 workflow 面板
• 细边框
• 大圆角
• 克制霓虹渐变
• 异步生成过程反馈
• 结果区自动过渡
• 报告预览优化

Frontend
├── Next.js / React
├── TypeScript
├── Tailwind CSS
├── Workflow UI
├── API Settings
├── Async Process Feedback
├── Evidence Chain Preview
└── Report Draft Preview

Analysis Layer
├── Data Upload
├── Schema Detection
├── Semantic Field Mapping
├── Scenario Profiles
├── Metric Spec Builder
├── Metric Spec Executor
├── DuckDB Aggregation
├── Evidence Chain Generation
└── Report Draft Generation

• Next.js
• React
• TypeScript
• Tailwind CSS

• DuckDB
• CSV / Excel 表格数据
• Metric Spec 驱动的聚合分析

• 业务问题澄清
• 字段语义识别
• 分析计划生成
• 证据链生成
• 报告草稿生成

SOVA AI 的一个重要原则是：业务理解和数据计算分离。

LLM 负责：
- 理解业务问题
- 生成澄清路径
- 辅助识别字段语义
- 整理证据链
- 生成报告草稿

DuckDB 负责：
- 指标聚合计算
- 周期对比
- 维度拆解
- Top movers
- 辅助指标对比

这种设计可以降低让大模型直接执行自由 SQL 的风险，也更适合做成可复查的数据分析流程。

npm --prefix frontend install

npm --prefix frontend run dev

Windows PowerShell：

npm.cmd --prefix frontend run typecheck

macOS / Linux：

npm --prefix frontend run typecheck

如需配置 API Key，可以创建：

frontend/.env.local

示例：

OPENAI_API_KEY=your_api_key_here

注意：不要提交 .env 或 .env.local。

Sova-ai
├── frontend
│   ├── app
│   │   └── globals.css
│   ├── components
│   │   ├── metricflow-workspace.tsx
│   │   ├── api-settings.tsx
│   │   ├── evidence-chain.tsx
│   │   ├── report-draft.tsx
│   │   └── analysis-charts.tsx
│   └── ...
├── backend
│   └── ...
├── README.md
├── PROJECT_CONTEXT.md
├── CODEMAP.md
└── UI_REGRESSION_NOTES.md

当前版本已经支持从模糊业务问题到报告草稿的完整流程。

已完成能力包括：

• 业务问题澄清
• 指标口径选择
• 对比周期选择
• 分析维度选择
• 数据上传
• 字段语义识别
• Metric Spec 生成
• DuckDB 指标计算
• Top movers
• 辅助指标对比
• 可视化分析
• 证据链生成
• 报告草稿生成
• 异步过程反馈
• 深色 AI 工作台 UI

完成指标异动分析的基础流程，包括业务问题澄清、指标口径确认、对比周期选择、分析维度选择、数据上传和初步分析链路。

将产品重构为 Step 1–10 的引导式工作流，覆盖从业务问题输入到报告草稿输出的完整流程。

接入 metric-spec-driven analysis workflow，通过结构化 Metric Spec 和 DuckDB 实现安全、可控的指标计算。

优化 Step 8–10 的结果体验，让指标结果、可视化分析、证据链和报告草稿都能在对应步骤中清晰展示。

完成物流、SaaS、客服 SLA、Valorant、营销转化等多个场景的主流程测试。

将界面重构为深色 AI workspace，包括左侧分析驾驶舱、右侧主 workflow 区、统一彩色面板和顶部步骤导航。

增加 checklist 式 AI 生成过程、结果整理过渡、轻微 reveal 动画，以及生成完成后的结果区自动滚动。

优化报告草稿预览格式，提升章节层级、深色卡片排版、中文可读性和复制报告内容体验。

后续可以继续完善：

• 历史分析记录
• 数据文件管理
• 常用指标模板
• 报告导出
• 更丰富的图表交互
• 更强的业务场景泛化能力
• 更稳定的字段语义识别
• 多文件联合分析
• 团队协作与分享流程

SOVA AI 可以把模糊的业务指标问题转成结构化 Metric Spec，并用 DuckDB 执行安全聚合分析，最终生成指标变化、Top movers、可视化拆解、证据链和报告草稿。