using-data-analytics-agents
Skill0 starsChanged 41 days agoMITView on GitHub
Clasifica una tarea de datos y enruta al agente especialista correcto (data-explorer, sql-analyst, reporting-analyst, ml-modeler). Úsese al iniciar una sesión, cuando el pedido del usuario sea ambiguo, o cuando pregunte qué agente usar.
In this repository24 other files it gives its agents.
- AGENTS.mdAGENTS.md
- ab-testing-analysisSkill
- api-builderSkill
- audit-logSkill
- cohort-retentionSkill
- csv-profilerSkill
- customer-segmentationSkill
- data-quality-contractsSkill
- excel-formulasSkill
- excel-profilerSkill
- feature-engineeringSkill
- insight-synthesisSkill
- ml-modelingSkill
- model-evaluationSkill
- pandas-cleaningSkill
- query-validationSkill
- report-exportSkill
- schema-mapperSkill
- sql-cloud-warehouseSkill
- sql-query-helperSkill
- sql-writeSkill
- statistical-testingSkill
- time-series-patternsSkill
- viz-patternsSkill
The file
Files
Using Data Analytics Agents
La skill de triaje. Léase una vez por tarea, clasifíquese, enrutese, parar.
Descripción general
Existen cuatro agentes especialistas en este toolkit. Cada uno tiene un alcance estrecho. Cargar el agente equivocado desperdicia contexto y produce respuestas superficiales. Esta skill existe para hacer la decisión de enrutamiento explícita y revisable.
Cuándo usar
- El pedido del usuario es ambiguo o podría encajar con varios agentes.
- El usuario pregunta explícitamente "¿qué agente debería usar?".
- El usuario pega un archivo (CSV, volcado SQL, captura) sin instrucción.
- Acaba de iniciar una sesión nueva y aún no clasificó la tarea.
No usar cuando:
- El usuario nombra un agente directamente ("data-explorer, hacé X").
- El pedido tiene un solo verbo claro y un objetivo claro ("consultá la tabla customers").
- El pedido no es una tarea de datos.
Flujo de trabajo
1. Leer el pedido
Extraer el/los verbo(s) y el objetivo. Ejemplo:
"Resumí las ventas del último trimestre y armá un gráfico para el directorio"
→ Verbos: resumí, armá. Objetivo: ventas (último trimestre), gráfico.
→ Abarca dos agentes: data-explorer (resumir) + reporting-analyst
(gráfico).
2. Cotejar contra la tabla de enrutamiento
| Verbos / señales | Objetivo | Agente | Skill a cargar |
| perfilar, limpiar, preprocesar, dtype, faltantes, outliers, explorar, entender | CSV / Parquet / Excel (sin esquema) | data-explorer | csv-profiler, luego pandas-cleaning |
| "qué columnas / filas tiene", "hay relación entre X e Y" | CSV (sin SQL disponible) | data-explorer | csv-profiler |
| consultar, select, join, agregar, agrupar por, filtrar where, esquema, índices, explain | base SQL, archivo .sql, SQLite | sql-analyst | schema-mapper, luego sql-query-helper, luego query-validation |
| gráfico, plot, visualizar, dashboard, resumen ejecutivo, reporte, PDF, HTML | dataframe o resultado SQL | reporting-analyst | viz-patterns, luego insight-synthesis |
| predecir, clasificar, regresión, modelo, features + target, entrenar, fit, RMSE, F1, ROC-AUC | dataset supervisado (target definido) | ml-modeler | feature-engineering, luego ml-modeling, luego model-evaluation |
| "no sé qué tiene este archivo", "primer vistazo" | cualquier archivo de datos | data-explorer | csv-profiler primero |
| verbos ambiguos como "resumir", "mirá", "revisá" | depende del objetivo — preguntar | triaje | ninguno (solo preguntar) |
3. Enunciar la clasificación
Una línea, citando la señal:
Clasificado como perfil/EDA (verbo: "explorar"; objetivo: CSV). Se recomienda
data-explorercon la skillcsv-profiler.
4. Confirmar con el usuario
Hacer una sola pregunta:
¿Procedo con
data-explorer? (sí / también cargarpandas-cleaning/ elegir otro)
No empezar a cargar archivos ni correr herramientas hasta que el usuario confirme.
5. Parar
Pasarle el control al agente elegido. El especialista se hace cargo del trabajo desde acá.
Justificaciones comunes
| Justificación | Realidad |
| "El pedido es obvio — simplemente ejecutalo." | Incluso los pedidos obvios se benefician de un traspaso explícito; reduce errores. |
"Cargo csv-profiler por las dudas." | Cargar una skill sin un plan claro diluye el contexto. |
| "Dos agentes en paralelo será más rápido." | La ejecución secuencial mantiene el alcance de cada agente estrecho. La ejecución paralela concatena ruido. |
| "El usuario quiere velocidad, salto la pregunta." | Una pregunta cuesta ~5 segundos; el churn por agente equivocado cuesta minutos. |
Señales de alerta
- El pedido menciona "reporte" y "exploración de datos crudos" — son dos agentes, no uno. Recomendar una secuencia y preguntar cuál correr primero.
- El usuario subió un archivo
.sqly pidió un "resumen" — eso essql-analyst, noreporting-analyst(todavía no hay gráfico). - El usuario dijo "usá la skill que te parezca" sin archivo adjunto — pedir el archivo o la pregunta, no adivinar.
Verificación
- La clasificación cita un verbo + objetivo del pedido.
- Se recomienda un solo agente, o se propone una secuencia para pedidos multi-dominio.
- Se preguntó al usuario antes de cargar cualquier herramienta o skill.
- No se abrió ningún archivo ni se ejecutó ninguna consulta por el agente de triaje mismo.
Does it work?
Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.
No reviews yet
People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.
- It worked
- Partly
- It didn't
Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.
Your trail
Files you open will collect here, so you can find them again.
Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.
Now do this for your own.
Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.