在BI和语义层的学习过程中。你一定遇到过以下痛点：

• 海量英文文档让人头疼，学习曲线陡峭。
• 手动安装依赖、设置环境繁琐且易出错。
• 缺少可直接使用的示例数据，需要自行准备。其实，
• 业务问题与技术实现之间的鸿沟。让分析效率低下，

AI DataAgent 正是为了解决这些痛点而生。它把繁杂的步骤交给智能 Agent，只需准备最小化的执行环境，即可快速启动并验证分析链路。怎么说呢，

语义层学习曲线如何？按理说，

早年笔者这一切都被抹平了。你不再需要深入每一个细节，只要把握住方向。AI DataAgent 会帮你完成底层实现。

交给 Agent 完成安装

只需准备一个能够执行本地命令的编程 Agent。说起来，笔者常用 Codex这里以 Codex 为示例。

准备本机或远程服务器

支持 Windows、Linux。若使用远程环境，请提前准备服务器地址和 SSH Key。

在 Codex 中粘贴指令

请使用 https://github.com/foggy-projects/foggy-ai-analysis/releases/tag/v0. 下提供的 foggy-ai-analysis Skill。在本机安装并启动 AI 分析引擎，跑通销售下降样例验证，并输出可直接使用的 MCP 服务配置和验证结果。

此时无需手动装一堆东西，Codex 会依据 foggy-ai-analysis Skill 的说明自动下载并安装所需组件。

关键版本信息

Skill: v0.
说到CLI。v0.
Java launcher: foggy-runtime-launcher-v0.

演示阶段我们不提供生产数据库连接，而是使用 Skill 自带的 SQLite 示例数据，这样变量更少，首次跑通更容易。

检查运行结果

任务完成后主要关注 Codex 输出的以下信息：

• Runtime API 地址
• MCP analyst endpoint
• namespace
• SQLite 文件方法
• 验证结果

只要这些信息全部出现。即表示本地 AI 分析引擎已成功启动，而且销售下降样例已。

安装 MCP 服务到 Codex

接下来把刚才启动好的 MCP 服务接回 Codex：

请把这个 MCP 服务安装到 CodCodex。

"这个 MCP 服务" 指的是上一步输出的 MCP analyst endpoint 和 namespace。 Codex 会自动写入相应配置，实现服务对接。

重新打开一个 Codex 会话

新会话中先确认当前可用工具与模型：

分析模型或数据模型？我可以模型问哪些问题，

If MCP 服务已成功接入，Codex 将显示与“销售下降”分析相关的工具或模型。此时即可开始提业务问题：

最近哪些客户销售下降最明显？哪些区域或渠道下降最严重？下降主要是因为订单变少、客单价降低，还是退款变多？怎么说呢，哪些销售下降需要马上跟进？每个问题应该由谁负责，说起来，

C​​odex 会通过 MCP 调用语义查询模型。而不是凭空猜测答案，从而提供可靠的数据洞察。

验证程序边界

预测下周销售会恢复吗？

This question tests system’s limits. Since current sample only contains historical decline data and lacks a predictive model,system should respond that prediction data or model is missing rar than fabricating an answer.

这一步到底做了什么？

Codex 读取 foggy-ai-analysis Skill。Codex 安装并启动本地 AI 分析引擎。Skill 创建销售下降样例数据和语义模型。CLI 完成验证与题库检查。Codex 输出可直接使用的 MCP 服务配置。新会话通过 MCP 调用分析服务。

A successful run yields a fully functional local AI analysis environment,ready for business‑first iteration.

后续步骤与 方案

If you later want to replace sample SQLite with real business data。simply provide database connection to Codex. The foggy-ai-analysis Skill will帮助检查表结构、创建语义层、维护数据模型。老实说，这样，你可以从最小闭环出发，无需一次性掌握所有底层细节；先解决业务痛点，再逐步深化技术水平。