Runtime Guide

runtime-guide

---

1. 产物落盘规范

1.1 工作目录

每次执行都使用 DataPaw runtime 指定的当前产物目录。本文用 `` 表示：

普通对话：       /artifacts/
TaskGraph 节点： /artifacts///

当前执行目录内结构如下：

/
├── plan.yaml                 # 原始 plan（来自 planner，不修改）
├── plan_v1.yaml              # 第一次修改后的 plan（如有）
├── plan_v2.yaml              # 第二次修改后的 plan（如有）
├── steps/                    # 步骤结果（每步完成后写入）
├── data/                     # 数据产物
│   ├── raw/                  # 原始获取的数据（从数据源拉取的原始结果）
│   └── processed/            # 计算处理后的数据（衍生指标、数据清洗结果等）
└── result.yaml               # 最终结果（执行完成后写入）

• plan.yaml 是原始计划，始终保留不修改
• 执行过程中如需调整计划，生成 plan_v1.yaml、plan_v2.yaml... 按修改顺序递增
• 执行时始终以最新版本的 plan 为准
• session_id 必须使用 runtime 提供的当前值，不自行生成
• 仅当 runtime 明确提供当前 graph_id 和 node_id 时才使用节点子目录；普通

对话直接使用 session 目录

• 不在 workspace 根或未隔离的 artifacts/ 下创建任务目录

1.2 数据文件

| 类型 | 存放位置 | 命名 | | -------- | -------------------------------- | ------------------------------- | | 原始数据 | /data/raw/ | . | | 计算结果 | /data/processed/ | _. |

• 文件命名应自描述，能看出内容是什么
• 列名/字段名须有业务含义（如 date, dau, dau_wow, is_anomaly），不使用 col1, col2
• 每个关键的计算结果都要落盘到 data/processed/，包括清洗后的数据文件、衍生指标、归因结果、异常检测结果、维度交叉表等，确保结论可溯源、可复现

示例：

/data/raw/dau_daily_202603.csv
/data/processed/channel_attribution_result.csv

1.3 步骤结果

每个分析步骤完成后，落盘一份步骤结果，服务于过程审查和结果溯源。存放在当前执行 目录的 steps/ 子目录下：

/steps/
├── step_01_.yaml
├── step_02_.yaml
└── ...

每份步骤结果包含：

• 做了什么：本步骤执行的操作描述
• 产出文件：涉及的数据文件、中间结果的路径索引
• 代码：本步骤执行的关键代码或脚本（如有）
• 结论：本步骤的分析结论或发现

1.4 最终结果

执行完成后，在 /result.yaml 产出最终结果，包含：

• 完成状态：全部完成 / 部分完成 / 失败
• 核心结论：对分析目标的直接回答
• 支撑数据：结论依赖的数据文件
• 未解决问题：数据缺失、结果矛盾、未追踪的线索
• 后续建议：建议深入分析的方向

结论中区分三类内容：

• 数据事实（客观计算结果）
• 分析解读（对数据的推理判断）
• 不确定性标注（数据不足或置信度低时明确提示）

---

2. 执行原则

2.1 复用优先

避免重复获取数据和重复计算，节省执行成本并保证结果一致性。

• 数据级复用：
• 同一份基础数据只获取一次，后续需要时直接引用已有文件
• 已计算过的中间结果（如衍生指标、趋势数据）直接复用，不重复计算
• 复用时标注来源文件，便于溯源
• 任务级复用：
• 不同分析步骤/条目涉及相同的指标或计算时，复用已有结果，跳过重复执行（如 BI 分析中多个模块都涉及 DAU 指标，只需分析一次）
• 复用前检查数据口径和时间范围是否一致，不一致则重新计算

2.2 异常处理与自排障

执行过程中会遇到各种异常情况，核心原则是：先自行排障，尽可能继续执行，无法解决时才求助用户。

自排障流程（强制）

遇到节点执行失败时，按以下顺序处理：

1. 分析原因：读取报错信息，判断是参数错误、数据不存在、权限不足还是逻辑错误
2. 第 1 轮重试：调整参数/策略重试（如换维度筛选、换数据源、放宽时间范围）
3. 第 2 轮重试：尝试替代方案（如换等价指标、换表、降级分析粒度）
4. 仍失败：判断影响范围：

• 非关键节点 → 跳过并标注原因，继续后续节点
• 关键节点且影响最终结论 → 停下来向用户求助（参照 interaction-strategy skill Type 1）

求助时必须提供

• 已尝试的方案和失败原因
• 当前阻塞点的具体描述
• 建议的解决方向（如有）

数据层异常处理

• 数据不可用：
• 单项缺失 → 跳过该项并标注原因，继续其余分析
• 大面积缺失但仍有部分可用 → 基于可用数据产出结论，明确标注覆盖范围和局限性
• 核心数据全部不可用 → 终止分析并说明原因
• 原则：不因局部数据缺失而阻塞整体执行
• 计算异常：
• 遇到异常（如除以零、超出常理范围等）时保留结果并标注原因
• 不静默丢弃异常数据，不用默认值替代
• 结果矛盾：
• 不同分析过程对同一现象产出矛盾结论时，保留所有结果
• 列出可能的原因（口径不同、时间范围不同、数据源不同等）
• 不替用户做取舍，由用户判断采信哪个
• 局部失败：
• 记录失败的步骤和原因
• 不依赖该结果的后续分析继续执行
• 依赖该结果的后续分析一并跳过，并标注跳过原因和依赖关系

2.3 新线索追踪

执行过程中可能发现计划外的有价值信息（如意料之外的异常、未预期的相关性），按如下标准判断是否追踪：

• 与分析目标直接相关 → 追踪；
• 数据信号显著且可快速验证 → 追踪；
• 与目标无关或需要大量额外工作 → 记录但不追踪，标注"建议后续深入"

2.4 计划调整

执行过程中可能需要调整原始计划，调整后生成新版本的 plan 文件（参见 1.1 工作目录）。

• 何时调整：
• 关键数据不可用，导致核心分析目标无法达成
• 用户中途明确变更需求
• 执行过程中发现原始计划的前提假设不成立，或出现新线索可以额外深入探索（参见 2.4）
• 何时不调整：
• 非关键数据缺失 → 跳过即可，不需要改计划
• 执行慢或资源不足 → 降级执行深度（如减少维度遍历），不改分析目标
• 调整原则：
• 只改必须改的部分，保持计划的稳定性
• 记录调整原因和触发事件

2.5 质量自检

交付分析结果前，逐项检查产出质量：

• 结论一致性：所有结论必须有数据支撑，与计算结果一致，无逻辑跳跃
• 不确定性标注：数据不足或置信度低的结论是否已明确标注
• 推测标注：无数据支撑的主观判断是否已标注为推测
• 完整性：未完成的部分是否已列出并说明原因
• 约束遵守：是否遵守了所有相关约束，包括：
• 用户在对话中提出的要求和限定条件
• 域知识包（若存在）中的分析规范
• plan 中指定的约束条件
• 各 skill 中定义的规则

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.