每次换公司、换项目，都要重新学习那套复杂的数据仓库结构——几百个表名、莫名其妙的缩写、只有老员工懂的"潜规则"。有没有想过，把这些"藏在大家脑子里"的知识提取出来，变成 AI 也能理解的结构化文档？

Data Context Extractor 就是这样一个"知识提取器"。它像一位经验丰富的数据分析师，通过提问帮你梳理清楚公司的数据环境：哪些表最重要、"用户"到底指什么、核心指标怎么算、查询时必须过滤什么。然后，它会自动生成一个专属的数据分析技能包，让 AI 像老员工一样理解你的业务数据。

为什么选择这个技能？

让 AI 从"门外汉"变成"数据通"

很多时候 AI 写的 SQL 查询跑不通，根因往往在业务定义没对齐：哪个表存订单、哪个表存用户、"活跃用户"在你们公司怎么定义……SQL 语法本身反而是小问题。这个技能通过"知识提取",把你们的业务上下文"喂"给 AI，让它在后续的数据分析任务中更精准、更靠谱。

解决的核心痛点

AI 不懂你们的"业务语言"

每次让 AI 帮你写查询，它总是一脸懵懂地问："用户表是哪一个？""revenue 字段在哪里？"。这是因为 AI 没有你们的业务上下文。Data Context Extractor 会系统性地提取这些知识：核心表结构、实体定义 (什么是"用户"、什么是"订单")、指标计算公式 (ARR 怎么算)、常见过滤规则 (测试数据要排除)。生成技能包后，AI 就像一位熟悉业务的老同事，写出的 SQL 更精准、更符合你们的规范。

新人培训成本太高

新入职的数据分析师，前几周都在学"公司的数据是怎么组织的"。问人？大家都很忙。看文档？文档早就过时了。Data Context Extractor 能把这些"隐性知识"显性化、结构化，生成一套完整的知识库。新人可以用这个技能包快速上手，老员工也不用一遍遍解释同样的问题。

知识散落，难以传承

张三知道营销数据的门道，李四懂得财务表的坑，但这些知识都在他们脑子里。等他们离职，新人又得从头摸索。这个技能可以把分散的知识集中起来，按照标准格式整理成文档：实体关系、表结构、指标定义、查询最佳实践。它就像一个"知识容器",把团队的智慧沉淀下来，随时可以调用和更新。

查询质量参差不齐

不同分析师写的 SQL 风格各异，有些忘记过滤内部用户，有些搞混了时间字段，导致数据不准确。Data Context Extractor 在提取知识时，会特别关注"常见错误"和"最佳实践",把这些经验写进生成的技能包里。这样，大家用 AI 生成的查询会更加统一、可靠，减少低级错误。