Bi Anomaly Detection
基于阈值检测时间序列中的显著异常波动点。当需要找出指标异常波动日期、识别数据异动时调用。
Install
$ agentstack add skill-agentscope-ai-qwenpaw-data-bi-anomaly-detection ✓ scanned · ✓ verified, works with Claude Code, Cursor, and more.
Security review
✓ PassedNo issues found. Passed automated security review. · v0.1.0 How review works →
- ✓ Prompt-injection patterns
- ✓ Secret / credential exfiltration
- ✓ Dangerous shell & filesystem operations
- ✓ Untrusted network calls
- ✓ Known-malicious package signatures
What it can access
- ✓ Network access No
- ✓ Filesystem access No
- ✓ Shell / process execution No
- ✓ Environment & secrets No
- ✓ Dynamic code execution No
From automated source analysis of v0.1.0. “Used” means the capability is present in the source — more access means more to trust, not that it’s unsafe.
Verified badge
Passed review? Show it. Paste this badge into your README, it links to the public security report.
Links to your public security report.[](https://agentstack.voostack.com/security/report/skill-agentscope-ai-qwenpaw-data-bi-anomaly-detection) Reliability & compatibility
Declared compatibility
Compatibility is declared by the source manifest. End-to-end runtime verification is coming, see below.
We're building live execution health for every listing: tool-call success rate, median latency, uptime, and last-checked timestamps, measured, not self-reported. It isn't live yet, so we don't show numbers we can't stand behind.
How agent discovery & health will work →About
bi-anomaly-detection
基于阈值识别时间序列中的显著异常波动点，常见场景：
- 日常分析：在指标分析流程中，对北极星指标进行异常波动点识别
- 监控告警：对实时/定时指标数据进行异常检测，触发告警
执行步骤
1：数据准备
包含时间序列数据的 CSV 文件，至少包含以下两列：
| 列 | 说明 | 示例 | | ------ | ---------------- | ---------- | | 日期列 | 时间标识 | 日期 | | 指标列 | 需要检测的指标值 | 访问用户数 |
示例：
日期,访问用户数
2025-01-01,10000
2025-01-02,10500
2025-01-03,9800若上游步骤已产出可用数据文件则直接使用，否则自行取数。
2：选择对比逻辑
根据业务场景按需选择对比逻辑：
| 对比逻辑 | 适用场景 | | -------- | ---------------------------------------- | | 日环比 | 日异常检测，反应灵敏，适合实时监控和日报 | | 周同比 | 日异常检测，稳定性好，消除周末效应 | | 周环比 | 周异常检测 | | 月环比 | 月异常检测 |
> 日异常检测场景建议同时检查日环比和周同比
3：确定阈值
针对每种对比逻辑，确定异常判定阈值：
- 已有阈值：若外部已提供阈值，按以下优先级取值，命中即停：
| 优先级 | 来源 | 示例 | | ------ | -------------------- | ---------------------------- | | 1 | 用户显式指定 | 用户要求"日环比阈值设为 15%" | | 2 | 域知识包（若存在） | 域知识包指定量值指标默认 10% | | 3 | 语义层接口（若可用） | 通过接口查询到的指标阈值配置 |
- 未提供阈值：若没有任何外部来源提供阈值，尝试从历史数据中自适应计算阈值
4：异常点判断
按以下优先级选择计算方式，命中即停：
方式一：使用脚本
路径：scripts/anomaly_detection.py
原理：根据传入的阈值参数计算对应的变化率，将变化率绝对值与阈值对比，超过阈值的数据点标记为异常。传入多个阈值时，异常点取交集。
若脚本适用于当前场景，按以下方式调用：
参数：
| 参数 | 说明 | | --------------- | -------------------------------------- | | --input-file | 输入数据文件路径（必填） | | --date-col | 日期列名（必填） | | --metric-col | 指标列名（必填） | | --threshold-dod | 日环比阈值，传入则检查日环比 | | --threshold-wow | 周同比阈值，传入则检查周同比（日数据） | | --threshold-woq | 周环比阈值，传入则检查周环比（周数据） | | --threshold-mom | 月环比阈值，传入则检查月环比（月数据） | | --output-file | 异常波动点输出路径（可选） |
> 至少传入一个阈值参数。传入多个时，异常点为各检查项的交集。
调用示例：
# 只检查日环比
python scripts/anomaly_detection.py \
--input-file data.csv \
--date-col "日期" \
--metric-col "访问用户数" \
--threshold-dod 0.10
# 同时检查日环比和周同比（异常点取交集）
python scripts/anomaly_detection.py \
--input-file data.csv \
--date-col "日期" \
--metric-col "访问用户数" \
--threshold-dod 0.10 \
--threshold-wow 0.15输出格式：
检查项: 日环比阈值: 10%, 周同比阈值: 15%
数据行数: 90
异常波动点数: 3
异常波动点:
日期 访问用户数 日环比 周同比
2025-01-15 12000 +20.00% +18.00%
2025-02-01 8500 -15.00% -12.00%
2025-02-14 15000 +25.00% +22.00%方式二：自行实现
若脚本不适用于当前场景，参考上述原理自行实现异常检测。
Source & license
This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.
- Author: agentscope-ai
- Source: agentscope-ai/QwenPaw-Data
- License: Apache-2.0
Install and usage instructions live in the source repository linked above.
Reviews
No reviews yet, be the first.
Write a review
Versions
- v0.1.0 Imported from the upstream source.