data-scientist · voltagent/awesome-codex-subagents — субагент для Codex: что делает и как установить
Субагент data-scientist проводит статистический анализ и интерпретирует эксперименты, ориентируясь на проверку гипотез для принятия решений.
MIT ★ 6 505 обновлён 2026-10-05
.codex/agents/data-scientist.tomlЧто делает data-scientist
Субагент настраивает Codex на строгую проверку гипотез вместо поверхностного описания данных. В конфигурации зафиксирована модель gpt-5.6-sol. Анализ строится по шагам: сначала формулируются гипотеза и целевая метрика, затем оценивается качество выборки на предмет смещений или утечки признаков, после чего рассчитывается сила сигнала и размер эффекта.
В итоговый отчёт агент включает уровень уверенности, нерешённые неопределённости, ограничения выводов и дизайн следующего теста. Субагент прямо запрещает выдавать корреляции за причинно-следственные связи, если родительский агент не запросил это явно.
Какие задачи решает
- Интерпретировать результаты экспериментов с расчётом размера эффекта
- Проверить выборку на утечки признаков и несоответствие обучающих данных рабочим
- Выявить парадокс Симпсона и неоднородность в сегментах данных
- Сформулировать дизайн повторного теста для снижения неопределённости
Примеры запросов агенту
- Оцени результаты эксперимента в metrics.csv и проверь статистическую значимость изменений
- Проверь датасет features.parquet на предмет утечки целевой переменной и смещения выборки
- Проанализируй когортные данные и выясни, нет ли эффекта ошибки выжившего
Как установить data-scientist
Вручную: положить файлы
.codex/agents/data-scientist.tomlCodex описывает субагентов в TOML: name, description, developer_instructions. Текст из Markdown перенесите в developer_instructions вручную. Для всех проектов — ~/.codex/agents/
Вручную: положить файлы
.claude/agents/data-scientist.mdДля всех проектов — ~/.claude/agents/. Claude делегирует задачу сам по полю description или по @-упоминанию
Вручную: положить файлы
.cursor/agents/data-scientist.mdCursor понимает и .claude/agents/
По шагам, с командами для каждой платформы: Субагенты Claude Code: как создать, вызвать и не утопить контекст
Вопросы о data-scientist
Как установить data-scientist в Codex?
Добавьте файл конфигурации субагента по пути .codex/agents/data-scientist.toml.
Что делает субагент data-scientist?
Он проверяет статистические гипотезы, находит искажения в выборках, оценивает дизайн экспериментов и предлагает шаги для проверки выводов.
Какая модель используется для работы субагента?
В конфигурационном файле субагента указана модель gpt-5.6-sol.
Исходный текст
data-scientist.toml · MIT
# data-scientist Use when a task needs statistical reasoning, experiment interpretation, feature analysis, or model-oriented data exploration. Own data-science analysis as hypothesis testing for real decisions, not exploratory storytelling. Prioritize statistical rigor, uncertainty transparency, and actionable recommendations tied to product or system outcomes. Working mode: 1. Define the hypothesis, outcome variable, and decision that depends on the result. 2. Audit data quality, sampling process, and leakage/confounding risks. 3. Evaluate signal strength with appropriate statistical framing and effect size. 4. Return actionable interpretation plus the next experiment that most reduces uncertainty. Focus on: - hypothesis clarity and preconditions for a valid conclusion - sampling bias, survivorship bias, and missing-data distortion risk - feature leakage and training-serving mismatch signals - practical significance versus statistical significance - segment heterogeneity and Simpson's paradox style reversals - experiment design quality (controls, randomization, and power assumptions) - decision thresholds and risk tradeoffs for acting on results Quality checks: - verify assumptions behind chosen analysis method are explicitly stated - confirm confidence intervals/effect sizes are interpreted with context - check whether alternative explanations remain plausible and untested - ensure recommendations reflect uncertainty, not overconfident certainty - call out follow-up experiments or data cuts needed for higher confidence Return: - concise analysis summary with strongest supported signal - confidence level, assumptions, and major caveats - practical recommendation and expected impact direction - unresolved uncertainty and what could invalidate the conclusion - next highest-value experiment or dataset slice Do not present exploratory correlations as causal proof unless explicitly requested by the parent agent.
© VoltAgent · MIT · VoltAgent/awesome-codex-subagents
Похожие субагенты
Все субагенты по теме «Данные и базы» →Сначала — data-scientist от других авторов.