智能体工作流架构
为 AI 辅助的数据科学设计由人把关的流程：限定上下文、控制执行权限、设置审查关口、生成可复现输出，并把交付过程说明清楚。
真正的问题
健康数据工作，不能只是交给自动化。
许多团队希望借助 AI 和代码智能体提高速度。但健康数据工作往往涉及敏感数据、专业背景、统计假设和实际决策，不能简单地交给机器。关键不只是“要不要用 AI”，而是如何设计工作流边界：智能体能看什么、能做什么、在哪里需要审查、最后由谁负责。
我的方式
智能体可以参与建设，专家必须保留判断。
我设计的工作流，让智能体协助结构整理、代码实现、资料检索、报告生成、初步审查和文档记录；同时让统计师、分析师、科学家、临床或业务专家继续负责问题定义、假设判断、证据标准和最终决策。
执行可以交给智能体，判断必须留在人手里。
目标不是让人退出数据科学流程，而是让团队拥有更安全的系统、更清楚的审查关口、更可复现的证据和更多真正用于思考的时间。
服务
四种合作方式。
生物统计与健康数据审阅
围绕健康相关数据，审阅研究设计、分析计划、建模策略、假设、不确定性和结果解释，帮助团队形成经得起追问的判断。
可复现的 R 与数据系统
构建可复用的数据清洗、校验、报告、R 包、仪表板和轻量级工具，让团队能够运行、检查并长期维护。
数据与系统安全边界
为智能体参与数据工作设定实际边界：数据最小化、本地与云端分离、权限层级、机器审查、人工批准和交付记录。
我交付什么
团队能看懂、能复跑、能继续维护的系统。
我构建的东西，应该能被阅读、理解、验证、复现和移交，而不是被藏在一个黑箱里。
- 智能体协作的分析工作流设计
- 人工审阅关口与发布检查点
- 可复用的数据清洗与校验管线
- R 包与内部工具
- Quarto 报告与自动化报告流程
- Shiny 与轻量级网页工具
- 从电子表格到可维护管线的转换
- 文档、SOP 与维护交接说明
我的理念
生物统计，是这套架构的底座。
在健康相关数据工作中，一个流程只有在人能看懂它做了什么、为什么这样做、可能在哪里出错，以及谁对最终判断负责时，才真正有价值。AI 可以帮助执行，但不应该遮住假设、不确定性和责任。
问题由人来定义智能体可以协助执行，但决策目标、背景脉络和成功标准必须由人设定。
假设必须看得见模型和自动化只有在局限、不确定性和失效方式清楚可见时，才值得信任。
敏感上下文要最小化好的系统只暴露必要信息，把最敏感的材料留在合适的边界之内。
关于
李也 Lennon Li
我是一名智能体工作流架构师，专长于生物统计、公共卫生和健康相关数据。我的背景横跨统计学、计算机科学、应用公共卫生、R/数据系统和机器辅助决策。
过去 15 年以上，我一直在复杂且敏感的健康数据场景中，构建统计分析、监测模型、交互式工具、可复现工作流和决策支持系统。
现在我的重点是可信赖的智能体数据科学：让机器帮助规划、写代码、检索、分诊、报告和记录，同时让人继续负责假设、意义、解释和最终决策。
合作流程
我如何工作
- 先弄清决策 —— 这个分析、工具或流程最终要支持什么问题和判断？
- 设定数据边界 —— 智能体可以看到什么，什么必须留在本地，什么可以安全地摘要或模拟？
- 设计审查关口 —— 哪些机器输出需要人工审阅、批准、升级或退回？
- 构建工作流 —— 代码、模型、报告、R 包、应用或工具都按可复用系统来设计，而不是一次性文件处理。
- 验证并交接 —— 把假设、输出、失败模式、文档和后续维护步骤说清楚。
真正的转变
不是“用一下 AI”，而是重新设计工作流。
让智能体完成一个任务，可能解决一次问题；设计由人把关的工作流，才能让下一次工作更安全、更快，也更容易审查。