chore: update

package.json

@@ -29,7 +29,8 @@
     "react-dom": "^18.3.1",
     "react-markdown": "^10.1.0",
     "react-router": "^7.4.0",
-    "react-syntax-highlighter": "^15.6.1",
+    "rehype-highlight": "^7.0.2",
+    "rehype-raw": "^7.0.0",
     "remark-gfm": "^4.0.1",
     "xlsx": "https://cdn.sheetjs.com/xlsx-0.20.3/xlsx-0.20.3.tgz",
     "zustand": "^5.0.3"

src/components/MarkdownRender.scss

+// 变量定义
+$font-family: -apple-system, BlinkMacSystemFont, 'Segoe UI', Roboto, 'Helvetica Neue', Arial, sans-serif;
+$monospace-font: 'SFMono-Regular', Consolas, 'Liberation Mono', Menlo, monospace;
+$border-color: #eaecef;
+$table-border-color: #d0d7de;
+$link-color: #0366d6;
+$code-bg-color: rgba(27, 31, 35, 0.05);
+$code-color: #e01e5a;
+$blockquote-color: #6a737d;
+$table-bg-color: #f6f8fa;
+
+// 基础样式
+.markdown-render {
+  font-family: $font-family;
+  line-height: 1.6;
+  color: #333;
+
+  // 标题样式
+  h1,
+  h2,
+  h3 {
+    font-weight: 600;
+    margin: 1em 0;
+  }
+
+  h1 {
+    font-size: 2em;
+    margin: 0.67em 0;
+    border-bottom: 1px solid $border-color;
+    padding-bottom: 0.3em;
+  }
+
+  h2 {
+    font-size: 1.5em;
+    margin: 0.83em 0;
+    border-bottom: 1px solid $border-color;
+    padding-bottom: 0.3em;
+  }
+
+  h3 {
+    font-size: 1.25em;
+  }
+
+  // 段落样式
+  p {
+    margin: 1em 0;
+  }
+
+  // 列表样式
+  ul,
+  ol {
+    padding-left: 2em;
+    margin: 1em 0;
+
+    li {
+      margin: 0.5em 0;
+    }
+  }
+
+  // 链接样式
+  a {
+    color: $link-color;
+    text-decoration: none;
+
+    &:hover {
+      text-decoration: underline;
+    }
+  }
+
+  // 引用样式
+  blockquote {
+    margin: 1em 0;
+    padding: 0 1em;
+    color: $blockquote-color;
+    border-left: 0.25em solid $border-color;
+  }
+
+  // 表格样式
+  table {
+    display: block;
+    width: 100%;
+    max-width: 100%;
+    overflow: auto;
+    margin: 1em 0;
+    border-spacing: 0;
+    border-collapse: collapse;
+
+    thead,
+    tbody {
+      display: table-header-group;
+      vertical-align: middle;
+      border-color: inherit;
+    }
+
+    tbody {
+      display: table-row-group;
+    }
+
+    tr {
+      display: table-row;
+      vertical-align: inherit;
+      border-color: inherit;
+      background-color: #fff;
+
+      &:nth-child(2n) {
+        background-color: $table-bg-color;
+      }
+    }
+
+    th,
+    td {
+      display: table-cell;
+      padding: 6px 13px;
+      border: 1px solid $table-border-color;
+      text-align: left;
+    }
+
+    th {
+      font-weight: 600;
+      background-color: $table-bg-color;
+    }
+
+    td {
+      vertical-align: top;
+    }
+  }
+
+  // 代码块样式
+  pre {
+    background-color: $table-bg-color;
+    border-radius: 6px;
+    padding: 16px;
+    overflow: auto;
+    margin: 1em 0;
+
+    code {
+      background-color: transparent;
+      padding: 0;
+      border-radius: 0;
+      font-family: $monospace-font;
+      font-size: 85%;
+      line-height: 1.45;
+    }
+  }
+
+  // 行内代码样式
+  :not(pre) > code {
+    color: $code-color;
+    background-color: $code-bg-color;
+    padding: 0.2em 0.4em;
+    border-radius: 3px;
+    font-family: $monospace-font;
+    font-size: 85%;
+  }
+
+  // 代码高亮颜色
+  .hljs {
+    color: #24292e;
+
+    &-keyword,
+    &-selector-tag,
+    &-subst {
+      color: #d73a49;
+    }
+
+    &-string,
+    &-doctag {
+      color: #032f62;
+    }
+
+    &-title,
+    &-section,
+    &-selector-id {
+      color: #6f42c1;
+    }
+
+    &-comment,
+    &-quote {
+      color: #6a737d;
+    }
+
+    &-number,
+    &-literal {
+      color: #005cc5;
+    }
+  }
+}

src/components/MarkdownRender.tsx

 import Markdown from 'react-markdown'
 import remarkGfm from 'remark-gfm'
-import { Prism as SyntaxHighlighter } from 'react-syntax-highlighter'
-import { dark } from 'react-syntax-highlighter/dist/esm/styles/prism'
+import rehypeHighlight from 'rehype-highlight'
+import rehypeRaw from 'rehype-raw'
+import './MarkdownRender.scss'
+
+interface MarkdownRenderProps {
+  children?: string
+}
+
+const MarkdownRender = function MarkdownRender({ children }: MarkdownRenderProps) {
+  if (!children) {
+    return null
+  }
 
-export default function MarkdownRender(props: { children?: string }) {
   return (
-    <Markdown
-      remarkPlugins={[remarkGfm]}
-      components={{
-        code(props) {
-          console.log(props)
-          const { children, className, ...rest } = props
-          const match = /language-(\w+)/.exec(className || '')
-          return match ? (
-            <SyntaxHighlighter
-              {...rest}
-              PreTag="div"
-              children={String(children).replace(/\n$/, '')}
-              language={match[1]}
-              style={dark}
-            />
-          ) : (
-            <code {...rest} className={className}>
-              {children}
-            </code>
-          )
-        },
-      }}>
-      {props.children}
-    </Markdown>
+    <div className="markdown-render">
+      <Markdown remarkPlugins={[remarkGfm]} rehypePlugins={[rehypeRaw, rehypeHighlight]}>
+        {children}
+      </Markdown>
+    </div>
   )
 }
+
+export default MarkdownRender

src/components/data/AIModal.tsx

+import { Button, Flex, Modal, Spin } from 'antd'
+import { useEffect, useState } from 'react'
+import { useAI } from '@/hooks/useAI'
+import MarkdownRender from '@/components/MarkdownRender'
+
+export default function AIModal({ prompt }: { prompt: string }) {
+  const [open, setOpen] = useState(false)
+  const { post, isLoading, message } = useAI()
+
+  useEffect(() => {
+    if (open) {
+      post({
+        messages: [{ role: 'user', content: prompt }],
+      })
+    }
+  }, [open, prompt])
+  return (
+    <>
+      <Button type="primary" onClick={() => setOpen(true)}>
+        AI建议
+      </Button>
+      <Modal title="AI建议" open={open} footer={null} width={1000} onCancel={() => setOpen(false)} destroyOnClose>
+        <MarkdownRender>{message?.content}</MarkdownRender>
+        <Flex justify="center">
+          <Spin size="large" spinning={isLoading}></Spin>
+        </Flex>
+      </Modal>
+    </>
+  )
+}

src/components/data/DataWrap.tsx

@@ -9,10 +9,12 @@ export default function DataWrap({
   title,
   headerRender,
   buttons,
+  extraButtons,
   empty,
 }: {
   title: string
   buttons?: ReactNode
+  extraButtons?: ReactNode
   headerRender?: (data: any) => ReactNode
   empty?: ReactNode
 }) {
@@ -41,7 +43,10 @@ export default function DataWrap({
                 <Flex wrap gap={10}>
                   {buttons}
                 </Flex>
-                <ViewDataFiledButtonModal></ViewDataFiledButtonModal>
+                <Flex wrap gap={10}>
+                  {extraButtons}
+                  <ViewDataFiledButtonModal></ViewDataFiledButtonModal>
+                </Flex>
               </Flex>
             )}
             <DataRender rowKey={'pk_id'} loading={isPending} dataSource={data.list} columns={columns} />

src/modules/data/digging/apriori/prompt.ts

+export const prompt = `任务目标
+
+Apriori算法设计需求说明，结构化分析和建模建议
+
+数据样本：[在此粘贴数据片段或上传文件（CSV/XLSX）]  
+
+1. 问题定义与目标明确
+请明确回答以下问题：
+
+   核心问题 ：该数据集拟解决的业务问题是什么？（例如：发现商品购买关联规则、优化商品推荐策略等）  
+
+   关联目标：  
+
+    - 需要挖掘的关联模式类型（如"购买T恤的用户是否常搭配购买牛仔裤"）  
+
+    - 业务价值目标（如"提升交叉销售转化率10%"）  
+
+2. 特征工程与事务准备
+请分步骤给出建议：
+
+  (1) 特征筛选标准：  
+
+      保留字段：  
+
+  | 字段名             | 处理方式        | 保留理由（满足以下条件） |  
+
+  | 商品名称          | 转为事务列表  | 核心交易项，用于挖掘关联规则 |  
+
+  | 品类                | 转为事务列表  | 分析品类间的共现模式 |  
+
+  | 用户ID（可选） | 分组分析          按用户挖掘个性化购买模式 | 
+
+    排除字段：  
+
+  | 字段名 | 排除原因 |  
+
+  | 订单时间 | 无直接关联规则挖掘价值 |  
+
+  | 物流信息 | 与购买行为无关 |  
+
+ 
+
+  (2) 特征处理建议：  
+
+     事务格式要求：  
+
+  - 数据需转换为\`[[事务1商品列表], [事务2商品列表], ...]\`格式  
+
+  - 示例：\`[["T恤", "牛仔裤"], ["连衣裙", "帆布鞋"]]\`  
+
+     缺失值处理：  
+
+  - 策略：删除空值或填充（如"其他"类别） 
+
+    数据降维：  
+
+  - 是否需要合并商品层级？[是/否及理由]（如"合并到品类层级以减少项数量"）
+
+3. 模型输入设计
+    事务数据格式：  
+
+    订单ID | 购买项列表
+
+      A123 | [女裤, 泫雅风T恤, 双11优惠]
+
+     A456 | [连衣裙, 氨纶材质]
+
+    参数配置建议：  
+
+      \`min_support\`：[建议值及理由]（如"设置为0.05以筛选高频项集"）  
+
+      \`min_confidence\`：[建议值及理由]（如"设置为0.6以保证规则实用性"） 
+
+ 
+
+4. 算法实现建议
+    模型适配性：  
+
+      是否适合Apriori？[是/否及理由]
+
+      若否，推荐调整：  
+
+      尝试FP-Growth（如"数据规模过大时更高效"） 
+
+    关键参数建议：  
+
+      \`min_support\`：0.03-0.1（高频商品组合筛选）  
+
+      \`min_confidence\`：0.5+（保证规则可信度）  
+
+      \`max_length\`：5（限制规则复杂度）     
+
+   业务规则过滤：  
+
+     推荐设置\`min_lift>1.5\`以筛选强关联规则（如"购买T恤的用户更可能购买配套裤子"）
+
+   计算资源建议：  
+
+     特征维度>100时，建议先进行商品聚类降维
+
+5. 输出格式要求
+请以以下结构分点输出，便于模型生成清晰结论：
+
+1. 问题定义：[一句话描述业务问题及目标]  
+
+2. 事务构建建议：  
+
+   - 保留字段：[字段列表及处理方式和理由]  
+
+   - 排除字段：[字段列表及排除原因]  
+
+3. 关键特征分析：  
+
+      高频项集：  
+
+       强关联规则：  
+
+4. 模型建议：  
+
+   参数配置：  
+
+      \`min_support=0.05\`（筛选高频商品组合）  
+
+      \`min_confidence=0.6\`（保证业务价值）    
+
+   业务验证方式：  
+
+   推荐验证方法：人工审核规则合理性（如"是否符合业务常识"）  
+
+   关键评估指标：lift值、置信度、支持度   `

src/modules/data/digging/apriori/views/Index.tsx

 import { lazy } from 'react'
 import DataWrap from '@/components/data/DataWrap'
+import { prompt } from '../prompt'
 
 const ButtonModal = lazy(() => import('../components/ButtonModal'))
+const AIModal = lazy(() => import('@/components/data/AIModal'))
 
 export default function DataProcess() {
-  return <DataWrap title="数据挖掘：Apriori" buttons={<ButtonModal />}></DataWrap>
+  return (
+    <DataWrap title="数据挖掘：Apriori" buttons={<ButtonModal />} extraButtons={<AIModal prompt={prompt} />}></DataWrap>
+  )
 }

src/modules/data/digging/forest/prompt.ts

+export const prompt = `任务目标
+
+随机森林算法设计需求说明，结构化分析和建模建议 
+
+数据样本：[在此粘贴数据片段或上传文件（CSV/XLSX）]  
+
+1. 问题定义与目标明确
+请明确回答以下问题：
+
+1.
+核心问题 ：该数据集拟解决的业务问题是什么？（例如：预测用户购买品类、识别高价值客户流失风险等）
+2.
+因变量（目标）选择 ：
+    字段名：[目标变量字段名]  
+
+     - 选择依据：  
+
+        - 业务相关性说明（如"直接关联用户购买行为"）  
+
+        - 数据类型匹配（如分类问题需离散变量、回归问题需连续变量）
+
+    模型预期 ：
+
+         预期性能指标（如准确率>85%、F1-score>0.7）  
+
+         或业务目标（如"将客户流失预测准确率提升15%"）
+
+2. 特征工程与自变量选择
+请分步骤给出建议：
+
+  (1) 特征筛选标准：  
+
+      保留字段：  
+
+  | 字段名 | 处理方式 | 保留理由（满足以下条件） |  
+
+  | [字段1] | 标签编码/One-Hot | 与因变量信息增益高、业务逻辑相关 |  
+
+  | [字段2] | 处理缺失值（如填充/删除） | 数据质量达标（缺失率<5%）、分布合理 |  
+
+    排除字段：  
+
+  | 字段名 | 排除原因 |  
+
+  | [字段X] | 多重共线性（VIF>10）、无关变量、数据噪声 |  
+
+ 
+
+  (2) 特征处理建议：  
+
+     分类特征：  
+
+  - 编码方式：[标签编码/One-Hot]（如"品类字段需One-Hot编码以保留类别信息"）  
+
+     缺失值处理：  
+
+  - 策略：[填充/删除/模型内置处理]（如"年龄字段缺失率3%，用中位数填充"）  
+
+    异常值处理：  
+
+  - 策略：[离群值截断/删除]（如"销量字段存在极端值，使用IQR法处理"）  
+
+3. 模型输入设计
+请给出最终的模型输入方案 ：
+
+    自变量（X）：  
+
+    字段列表及预处理方法：  
+
+       [字段A]：标签编码 → 转换为整数类型  
+
+      [字段B]：One-Hot编码 → 扩展为N个二元变量  
+
+    因变量（Y）：  
+
+    字段名：[字段名]  
+
+    是否需要离散化？[是/否及方法]（如"销售额连续值转为高/中/低三类"）  
+
+ 
+
+4. 算法实现建议
+    模型适配性：  
+
+      是否适合随机森林？[是/否及理由]  
+
+      若否，推荐调整：  
+
+      尝试XGBoost/梯度提升树（如"特征间交互复杂，需更深度学习"）
+
+    关键参数建议：  
+
+      \`n_estimators\`：[建议值及理由]（如"设置为100以平衡计算效率与精度"）  
+
+      \`max_depth\`：[建议值及理由]（如"防止过拟合，设置为5"）  
+
+      \`max_features\`：[建议值及理由]（如"sqrt型特征子集"）  
+
+      \`class_weight\`：[平衡/不均衡]（如"类别分布不均衡时设置'balanced'"）    
+
+ 计算资源建议：  
+
+     是否需要特征选择？[是/否及方法]（如"使用特征重要性筛选Top 10字段"）  
+
+     验证与评估：  
+
+       验证策略：[分层5折交叉验证]（如"数据类别分布不均衡"）  
+
+       关键指标：[准确率、F1-score、特征重要性图表]  
+
+5. 输出格式要求
+请以以下结构分点输出，便于模型生成清晰结论：
+
+1. 问题定义：[一句话描述]  
+
+2. 因变量选择：[字段名] + [选择理由]  
+
+3. 自变量选择：  
+
+   - 保留字段：[字段列表及处理方式]  
+
+   - 排除字段：[字段列表及排除原因]  
+
+4. 关键特征分析：  
+
+   - 相关性最高特征：[字段名]（相关系数值）  
+
+   - 高共线性特征对：[字段对及VIF值]  
+
+5. 模型建议：  
+
+   - 是否需要正则化？[是/否及理由]  
+
+   - 推荐验证方式：[方法名称]  
+
+   - 核心参数建议`

src/modules/data/digging/forest/views/Index.tsx

 import { lazy } from 'react'
 import DataWrap from '@/components/data/DataWrap'
+import { prompt } from '../prompt'
 
 const ButtonModal = lazy(() => import('../components/ButtonModal'))
+const AIModal = lazy(() => import('@/components/data/AIModal'))
 
 export default function DataProcess() {
-  return <DataWrap title="数据挖掘：随机森林" buttons={<ButtonModal />}></DataWrap>
+  return (
+    <DataWrap
+      title="数据挖掘：随机森林"
+      buttons={<ButtonModal />}
+      extraButtons={<AIModal prompt={prompt} />}></DataWrap>
+  )
 }

src/modules/data/digging/fpgrowth/prompt.ts

+export const prompt = `任务目标
+
+FP-Growth算法设计需求说明，结构化分析和建模建议
+
+数据样本：[在此粘贴数据片段或上传文件（CSV/XLSX）]  
+
+1. 问题定义与目标明确
+请明确回答以下问题：
+
+   核心问题 ：该数据集拟解决的业务问题是什么？（例如：挖掘商品关联购买模式、优化库存组合、设计推荐系统）
+
+   分析目标：  
+
+    - 需要发现的关联模式类型（如“购买连衣裙的用户常搭配高跟鞋”）  
+
+    - 业务价值目标（如"提升购物车添加率10%"）  
+
+2. 特征工程与事务构建
+请分步骤给出建议：
+
+  (1) 特征筛选标准：  
+
+      保留字段：  
+
+  | 字段名       | 处理方式        | 保留理由（满足以下条件） |  
+
+  | 品类          | 直接使用        | 核心商品分类维度 |  
+
+  | 颜色          | 直接使用        | 影响购买组合的因素 |  
+
+  | 材质          | 直接使用        | 商品属性关联性分析 |  
+
+  | 优惠类型    | 直接使用        | 购买决策驱动因素 | 
+
+    排除字段：  
+
+  | 字段名 | 排除原因 |  
+
+  | 订单ID | 无业务解释性 |  
+
+  | 用户年龄 | 非事务型特征 |  
+
+  | 交易时间 | 与关联规则无直接关系 | 
+
+ 
+
+  (2) 数据转换建议：  
+
+     事务格式要求：  
+
+  - 将数据转换为\`订单ID→[购买项列表]\`的事务格式（如\`订单A→[连衣裙_红色_氨纶, T恤_白色_棉质]\`） 
+
+     缺失值处理：  
+
+  - 策略：[删除/填充]（如"空购物车订单需排除"）  
+
+     特征组合建议：  
+
+  - 是否组合字段？[是/否及示例]（如"将'品类+颜色+材质'合并为复合项以提升规则实用性"）
+
+3. 模型输入设计
+    事务数据格式：  
+
+    订单ID | 购买项列表
+
+      A123 | [女裤, 泫雅风T恤, 双11优惠]
+
+     A456 | [连衣裙, 氨纶材质]
+
+    参数配置建议：  
+
+    \`min_support\`：[建议值及理由]（如"设置为0.03以筛选高频商品组合"）  
+
+    \`min_threshold\`：[建议值及理由]（如"设置为0.5以保证规则实用性"）  
+
+ 
+
+4. 算法实现建议
+    模型适配性：  
+
+      是否适合FP-Growth？[是/否及理由]
+
+      若否，推荐调整：  
+
+      尝试Apriori（如"小规模数据或低维度场景"） 
+
+    关键参数建议：  
+
+      \`min_support=0.03-0.05\`（高频项集筛选）  
+
+      \`use_collector=True\`（优化内存占用）    
+
+   业务规则过滤：  
+
+     推荐设置\`min_confidence>0.5\`和\`lift>2\`筛选强关联规则 
+
+   计算资源建议：  
+
+     特征维度>100时，建议先进行商品聚类降维 
+
+5. 输出格式要求
+请以以下结构分点输出，便于模型生成清晰结论：
+
+1. 问题定义：[一句话描述业务问题及目标]  
+
+2. 事务构建建议：  
+
+   - 保留字段：[字段列表及处理方式和理由]  
+
+   - 排除字段：[字段列表及排除原因]  
+
+3. 关键特征分析：  
+
+      高频项集：  
+
+       强关联规则：  
+
+4. 模型建议：  
+
+   参数配置：  
+
+      \`min_support=0.05\`（筛选高频商品组合）  
+
+      \`min_confidence=0.6\`（保证规则可信度）  
+
+   业务验证方式：  
+
+   推荐验证方法：人工审核规则合理性（如"是否符合业务常识"）  
+
+   关键评估指标：lift值、置信度、支持度   `

src/modules/data/digging/fpgrowth/views/Index.tsx

 import { lazy } from 'react'
 import DataWrap from '@/components/data/DataWrap'
+import { prompt } from '../prompt'
 
 const ButtonModal = lazy(() => import('../components/ButtonModal'))
+const AIModal = lazy(() => import('@/components/data/AIModal'))
 
 export default function DataProcess() {
-  return <DataWrap title="数据挖掘：FP-Growth" buttons={<ButtonModal />}></DataWrap>
+  return (
+    <DataWrap
+      title="数据挖掘：FP-Growth"
+      buttons={<ButtonModal />}
+      extraButtons={<AIModal prompt={prompt} />}></DataWrap>
+  )
 }

src/modules/data/digging/hierarchical/prompt.ts

+export const prompt = `任务目标
+
+层次聚类算法设计需求说明，结构化分析和建模建议
+
+数据样本：[在此粘贴数据片段或上传文件（CSV/XLSX）]  
+
+1. 问题定义与目标明确
+请明确回答以下问题：
+
+   核心问题 ：该数据集拟解决的业务问题是什么？（例如：识别用户消费行为分群、分析商品品类相似性等）
+
+   聚类目标：  
+
+    - 需要发现的群体类型（如高价值客户群、相似商品类型群）  
+
+    - 业务价值目标（如"通过分群优化营销策略"）
+
+2. 特征工程与自变量选择
+请分步骤给出建议：
+
+  (1) 特征筛选标准：  
+
+      保留字段：  
+
+  | 字段名    | 处理方式        | 保留理由（满足以下条件） |  
+
+  | 销量       | 标准化           | 核心业务指标，量纲统一需求 |  
+
+  | 实际付款 | 标准化           | 反映消费能力，数值型特征 |  
+
+  | 品类       | One-Hot编码 | 类别型特征需转化为数值型 | 
+
+    排除字段：  
+
+  | 字段名 | 排除原因 |  
+
+  | 订单ID | 无业务意义，唯一标识符 |  
+
+  | 省份 | 分类层级过高（与城市字段冗余） |  
+
+ 
+
+  (2) 特征处理建议：  
+
+     标准化要求：  
+
+  - 强制标准化：层次聚类对特征量纲敏感，必须进行标准化（\`StandardScaler\`）
+
+    分类特征：  
+
+  - 编码方式：[One-Hot/标签编码]（如"品类字段需One-Hot编码以保留类别信息"）  
+
+     缺失值处理：  
+
+  - 策略：[填充/删除]（如"年龄字段缺失率<5%，用均值填充"） 
+
+    降维建议：  
+
+  - 是否需要 PCA？[是/否及理由]（如"特征维度>20时降低计算复杂度"）
+
+3. 模型输入设计
+请给出最终的模型输入方案 ：
+
+    自变量（X）：  
+
+    字段列表及预处理方法：  
+
+    [销量]：标准化 → 均值0，方差1  
+
+    [实际付款]：标准化 → 均值0，方差1  
+
+    [品类]：One-Hot编码 → 扩展为N个二元变量
+
+    距离度量：  
+
+    推荐方法：[欧氏距离/余弦相似度]（如"数值型特征适合欧氏距离"）  
+
+ 
+
+4. 算法实现建议
+    模型适配性：  
+
+      是否适合层次聚类？[是/否及理由] 
+
+      若否，推荐调整：  
+
+      尝试 K-Means（如"数据规模过大时更高效"）  
+
+    关键参数建议：  
+
+     链接方法：[ward/complete/average]（如"ward方法对球形簇效果最佳"）  
+
+     距离度量：[欧氏距离/余弦相似度]  
+
+     聚类数量：[建议值及理由]（如"通过 dendrogram 确定 elbow 点"）  
+
+ 计算资源建议：  
+
+     数据量>1e4时，建议使用近似算法（如"凝聚聚类替代层次聚类"）
+
+5. 输出格式要求
+请以以下结构分点输出，便于模型生成清晰结论：
+
+1. 问题定义：[一句话描述]  
+
+2. 特征选择：  
+
+   - 保留字段：[字段列表及处理方式]  
+
+   - 排除字段：[字段列表及排除原因]  
+
+3. 关键特征分析：  
+
+      对聚类影响最大的特征：  
+
+      \`实际付款\`（贡献度：32%）  
+
+       特征冗余性分析：  
+
+       \`销量\` & \`销售额\`（VIF=8.5，需删除其一）  
+
+4. 模型建议：  
+
+   算法参数：  
+
+     链接方法：\`ward\`（最小化簇内方差）  
+
+     距离度量：\`欧氏距离\`（数值型特征适用）  
+
+   聚类数量：  
+
+     建议3-5类（通过 dendrogram 的 elbow 点判断）  
+
+   可视化建议：  
+
+     绘制 dendrogram 分析层次结构  
+
+     使用 t-SNE/PCA 降维后观察聚类分布  
+
+5. 有效性验证  
+
+    推荐验证方式：  
+
+       内部指标：轮廓系数（Silhouette Score）  
+
+       业务验证：  
+
+         检查簇内用户特征一致性（如高付款簇的品类偏好）  
+
+         对比 K-Means 聚类结果   `

src/modules/data/digging/hierarchical/views/Index.tsx

 import { lazy } from 'react'
 import DataWrap from '@/components/data/DataWrap'
+import { prompt } from '../prompt'
 
 const ButtonModal = lazy(() => import('../components/ButtonModal'))
+const AIModal = lazy(() => import('@/components/data/AIModal'))
 
 export default function DataProcess() {
-  return <DataWrap title="数据挖掘：层次聚类" buttons={<ButtonModal />}></DataWrap>
+  return (
+    <DataWrap
+      title="数据挖掘：层次聚类"
+      buttons={<ButtonModal />}
+      extraButtons={<AIModal prompt={prompt} />}></DataWrap>
+  )
 }

src/modules/data/digging/holtwinters/prompt.ts

+export const prompt = `任务目标
+
+Holt-Winters算法设计需求说明，结构化分析和建模建议
+
+数据样本：[在此粘贴数据片段或上传文件（CSV/XLSX）]  
+
+1. 问题定义与目标明确
+请明确回答以下问题：
+
+   核心问题 ：该数据集拟解决的业务问题是什么？（例如：预测未来30天商品销量、分析销售季节性规律等）  
+
+   预测目标：  
+
+    - 需要预测的指标（如"实际付款金额"、"日订单量"）  
+
+    - 业务价值目标（如"提升库存规划准确性"）  
+
+2. 时间序列特征配置
+请分步骤给出建议：
+
+  (1) 关键字段选择：  
+
+   时间列：  
+
+  字段名：[字段名]  
+
+  - 处理方式：[标准化为datetime格式、设置频率（如'D'表示日）]
+
+    目标列：  
+
+ 字段名：[字段名]（如\`实际付款\`、\`销量\`）  
+
+  - 选择理由：  
+
+    - 业务目标直接关联（如"预测销售额以优化库存"）  
+
+    - 数据需满足时间序列连续性（无缺失或稀疏时间段）
+
+    预测步长：  
+
+  - 步数：[N步]（如预测未来7天）  
+
+  - 频率单位：[日/周/月]  
+
+ 
+
+  (2) 数据预处理建议：  
+
+     平稳性处理：  
+
+  - 是否需要差分？[是/否及理由]（如"存在明显趋势需一阶差分"）  
+
+  - 是否需要Box-Cox变换？[是/否及理由]（如"数据呈指数增长"） 
+
+     缺失值处理：  
+
+  - 策略：[插值/删除]（如"用线性插值填充缺失日期"）   
+
+     季节性周期检测：  
+
+  - 推荐周期：[N个月/周]（如"发现12个月的年季节性"）
+
+3. 模型输入设计
+    数据格式要求：  
+
+    时间列        | 目标列
+
+    2023-11-01 | 415.46
+
+    2023-11-02 | 514.28
+
+    参数配置建议：  
+
+   \`seasonal='add'/'mul'\`：[建议类型及理由]（如"乘法季节性适合销售额"）  
+
+   \`period=12\`：[周期值及检测依据]  
+
+ 
+
+4. 算法实现建议
+    模型适配性：  
+
+      是否适合Holt-Winters？[是/否及理由]
+
+      若否，推荐调整：  
+
+      尝试ARIMA（如"存在复杂趋势和噪声"）  
+
+      或 Prophet（如"需加入外生变量"）  
+
+    关键参数建议：  
+
+   \`smoothing_level (α)\`：[建议值及理由]（如"0.3捕捉趋势变化"）  
+
+   \`smoothing_trend (β)\`：[建议值及理由]（如"0.1平滑趋势波动"）  
+
+   \`smoothing_seasonal (γ)\`：[建议值及理由]（如"0.4捕捉季节性"）  
+
+   验证与评估：  
+
+     推荐验证方法：滚动窗口验证（如"每30天滚动预测未来7天"）  
+
+     关键指标：MAE、RMSE、MAPE
+
+   计算资源建议：  
+
+     数据量>1e4时，建议使用\`statsmodels\`的\`ExponentialSmoothing\`实现 
+
+5. 输出格式要求
+请以以下结构分点输出，便于模型生成清晰结论：
+
+1. 问题定义：[一句话描述业务问题及目标]  
+
+2. 时间序列配置：  
+
+   时间列：\`交易成功时间\`（已转换为\`datetime\`格式，频率为日）  
+
+   目标列：\`实际付款\`（连续型数值，需进行Box-Cox变换以稳定方差）  
+
+   预测步长：30步（预测未来30天）  
+
+3. 关键特征分析：  
+
+      季节性周期检测：
+
+      周期：12个月（ACF图显示显著峰值）   
+
+      趋势稳定性：
+
+      需一阶差分（ADF检验p<0.05，原序列非平稳）  
+
+4. 模型建议：  
+
+   参数配置：  
+
+    \`seasonal='mul'\`（乘法季节性适合销售额增长趋势）  
+
+    \`period=12\`（年季节性周期）  
+
+    \`α=0.3, β=0.1, γ=0.4\`（通过网格搜索优化）   
+
+   验证方式：  
+
+   滚动窗口验证：最后1年数据作为测试集，每30天滚动预测  
+
+   关键指标：MAPE<15%（业务可接受误差范围）  
+
+    数据预处理**：  
+
+- 执行Box-Cox变换（λ=0.5）以消除异方差性   `

src/modules/data/digging/holtwinters/views/Index.tsx

 import { lazy } from 'react'
 import DataWrap from '@/components/data/DataWrap'
+import { prompt } from '../prompt'
 
 const ButtonModal = lazy(() => import('../components/ButtonModal'))
+const AIModal = lazy(() => import('@/components/data/AIModal'))
 
 export default function DataProcess() {
-  return <DataWrap title="数据挖掘：Holt-Winters" buttons={<ButtonModal />}></DataWrap>
+  return (
+    <DataWrap
+      title="数据挖掘：Holt-Winters"
+      buttons={<ButtonModal />}
+      extraButtons={<AIModal prompt={prompt} />}></DataWrap>
+  )
 }

src/modules/data/digging/kmeans/prompt.ts

+export const prompt = `任务目标
+
+K-Means算法设计需求说明，结构化分析和建模建议
+
+数据样本：[在此粘贴数据片段或上传文件（CSV/XLSX）]  
+
+1. 问题定义与目标明确
+请明确回答以下问题：
+
+   核心问题 ：该数据集拟解决的业务问题是什么？（例如：客户分群、商品品类聚类、物流路径优化等）
+
+   聚类目标：  
+
+    - 需要发现的群体类型（如高价值客户群、相似商品类型群）  
+
+    - 业务价值目标（如"通过分群优化营销策略"）  
+
+2. 特征工程与自变量选择
+请分步骤给出建议：
+
+  (1) 特征筛选标准：  
+
+      保留字段：  
+
+  | 字段名    | 处理方式        | 保留理由（满足以下条件） |  
+
+  | 销量       | 标准化           | 核心业务指标，量纲统一需求 |  
+
+  | 实际付款 | 标准化           | 消费能力关键指标 |  
+
+  | 客户年龄 | 标准化           | 与购买行为相关（如年龄分层） |  
+
+  | 品类       | One-Hot编码 | 类别型特征需转化为数值型 |  
+
+    排除字段：  
+
+  | 字段名 | 排除原因 |  
+
+  | 订单编号 | 无业务意义，唯一标识符 |  
+
+  | 交易时间 | 非数值型且无直接业务解释性 |  
+
+  | 物流信息 | 与客户/商品特征无关 |  
+
+ 
+
+  (2) 特征处理建议：  
+
+     标准化要求：  
+
+  - 强制标准化：K-Means对特征量纲敏感，必须进行标准化（\`StandardScaler\`）  
+
+    分类特征：  
+
+  - 编码方式：[One-Hot/标签编码]（如"品类字段需One-Hot编码以保留类别信息"）  
+
+     缺失值处理：  
+
+  - 策略：[填充/删除]（如"年龄字段缺失率<5%，用均值填充"） 
+
+    降维建议：  
+
+  - 是否需要 PCA？[是/否及理由]（如"特征维度>20时降低计算复杂度"）
+
+3. 模型输入设计
+请给出最终的模型输入方案 ：
+
+    自变量（X）：  
+
+    字段列表及预处理方法：  
+
+    [销量]：标准化 → 均值0，方差1  
+
+    [实际付款]：标准化 → 均值0，方差1  
+
+    [品类]：One-Hot编码 → 扩展为N个二元变量
+
+    距离度量：  
+
+    推荐方法：欧氏距离（K-Means默认）
+
+ 
+
+4. 算法实现建议
+    模型适配性：  
+
+      是否适合K-Means？[是/否及理由]  
+
+      若否，推荐调整：  
+
+      尝试层次聚类（如"需要层次结构解释"）或DBSCAN（如"存在噪声数据"）  
+
+    关键参数建议：  
+
+     簇数（n_clusters）：[建议值及理由]（如"通过肘部法则确定为3类"）  
+
+     初始化方法：[k-means++/随机]（推荐k-means++以提高收敛稳定性）  
+
+     max_iter：[建议值及理由]（如"设置为300次迭代以确保收敛"）   
+
+   计算资源建议：  
+
+     数据量>1e4时，建议使用Mini-Batch K-Means加速  
+
+   有效性验证：  
+
+     推荐指标：轮廓系数、Calinski-Harabasz指数  
+
+     业务验证：检查簇内特征一致性（如高付款簇的品类偏好）
+
+5. 输出格式要求
+请以以下结构分点输出，便于模型生成清晰结论：
+
+1. 问题定义：[一句话描述]  
+
+2. 特征选择：  
+
+   - 保留字段：[字段列表及处理方式]  
+
+   - 排除字段：[字段列表及排除原因]  
+
+3. 关键特征分析：  
+
+      对聚类影响最大的特征：  
+
+      \`实际付款\`（贡献度：32%）  
+
+       特征冗余性分析：  
+
+       \`销量\` & \`销售额\`（VIF=8.5，需删除其一）  
+
+4. 模型建议：  
+
+   簇数建议：  
+
+     推荐3类（肘部法则显示WCSS在k=3时显著下降）  
+
+   参数配置：  
+
+      \`init='k-means++'\`（避免随机初始化陷阱）  
+
+      \`max_iter=300\`（平衡计算效率与收敛性）  
+
+   有效性验证：  
+
+      内部指标：轮廓系数（目标>0.7）  
+
+       业务验证：  
+
+       检查簇内客户特征一致性（如高付款簇的品类偏好）  
+
+       对比层次聚类结果   `

src/modules/data/digging/kmeans/views/Index.tsx

 import { lazy } from 'react'
 import DataWrap from '@/components/data/DataWrap'
+import { prompt } from '../prompt'
 
 const ButtonModal = lazy(() => import('../components/ButtonModal'))
+const AIModal = lazy(() => import('@/components/data/AIModal'))
 
 export default function DataProcess() {
-  return <DataWrap title="数据挖掘：K-Means" buttons={<ButtonModal />}></DataWrap>
+  return (
+    <DataWrap title="数据挖掘：K-Means" buttons={<ButtonModal />} extraButtons={<AIModal prompt={prompt} />}></DataWrap>
+  )
 }

src/modules/data/digging/linear/prompt.ts

+export const prompt = `任务目标
+
+线性回归算法设计需求说明，结构化分析和建模建议。
+
+数据样本：[在此粘贴数据片段或上传文件（CSV/XLSX）]  
+
+1. 问题定义与目标明确
+请明确回答以下问题：
+
+1.
+核心问题 ：该数据集拟解决的业务问题是什么？（例如预测销售额、分析用户行为影响因素等）
+2.
+因变量（目标）选择 ：根据业务目标，选择最适合作为因变量（Y）的字段，并说明选择依据。
+3.
+模型预期 ：预期模型应达到的性能指标（如R²、RMSE等），或业务价值目标（如提升预测准确率10%）。
+2. 特征工程与自变量选择
+请分步骤给出建议：
+
+（1）特征筛选标准
+
+●
+从数据集中选择适合作为自变量（X）的特征，需满足以下条件：
+○
+相关性 ：与因变量有显著统计学关联（如皮尔逊相关系数>0.3或p值<0.05）；
+○
+可解释性 ：符合业务逻辑（例如广告投入与销售额应正相关）；
+○
+数据质量 ：无严重缺失值（缺失率<5%）且分布合理（无极端异常值）。
+ 
+
+（2）特征处理建议
+
+●
+数值型特征 ：是否需要标准化/归一化？（如线性回归对特征量纲敏感）
+●
+分类特征 ：是否需要独热编码或嵌入处理？（如性别、地区等字段）
+●
+交互特征 ：是否存在需要组合的特征？（例如广告投入×用户年龄的交互项）
+ 
+
+（3）排除特征
+
+列出应排除的特征并说明原因（如多重共线性、冗余字段、无关变量）。
+
+3. 模型输入设计
+请给出最终的模型输入方案 ：
+
+●
+自变量（X） ：具体字段名称及预处理方法；
+●
+因变量（Y） ：字段名称及是否需要转换（如对数变换）。
+ 
+
+4. 算法实现建议
+1.
+模型适配性 ：
+○
+线性回归是否适合该数据集？若否，是否需要调整（如添加正则化项变为岭回归/lasso）？
+○
+若数据存在非线性关系，是否需要先尝试多项式回归？
+1.
+计算资源建议 ：
+○
+特征维度是否需要降维（如PCA）以减少模型计算复杂度？
+1.
+评估与验证 ：
+○
+推荐的交叉验证策略（如K折交叉验证）；
+○
+需要监控的评估指标（如R²、调整R²、F统计量）。
+5. 输出格式要求
+请以以下结构分点输出，便于模型生成清晰结论：
+
+1. 问题定义：[一句话描述]  
+
+2. 因变量选择：[字段名] + [选择理由]  
+
+3. 自变量选择：  
+
+   - 保留字段：[字段列表及处理方式]  
+
+   - 排除字段：[字段列表及排除原因]  
+
+4. 关键特征分析：  
+
+   - 相关性最高特征：[字段名]（相关系数值）  
+
+   - 高共线性特征对：[字段对及VIF值]  
+
+5. 模型建议：  
+
+   - 是否需要正则化？[是/否及理由]  
+
+   - 推荐验证方式：[方法名称]  `

src/modules/data/digging/linear/views/Index.tsx

 import { lazy } from 'react'
 import DataWrap from '@/components/data/DataWrap'
+import { prompt } from '../prompt'
 
 const ButtonModal = lazy(() => import('../components/ButtonModal'))
+const AIModal = lazy(() => import('@/components/data/AIModal'))
 
 export default function DataProcess() {
-  return <DataWrap title="数据挖掘：线性回归" buttons={<ButtonModal />}></DataWrap>
+  return (
+    <DataWrap
+      title="数据挖掘：线性回归"
+      buttons={<ButtonModal />}
+      extraButtons={<AIModal prompt={prompt} />}></DataWrap>
+  )
 }

src/modules/data/digging/logistic/prompt.ts

+export const prompt = `任务目标
+
+逻辑回归算法设计需求说明，结构化分析和建模建议。
+
+数据样本：[在此粘贴数据片段或上传文件（CSV/XLSX）]  
+
+输出要求 
+请以以下结构分点输出，确保结论清晰、逻辑严谨：
+
+ 
+
+1. 问题定义
+
+[一句话描述业务问题及建模目标，例如："预测用户是否购买高价值商品，以优化营销策略"]
+
+ 
+
+2. 因变量选择
+
+●
+字段名 ：[目标变量字段名]
+●
+选择理由 ：
+○
+[业务意义说明，如"该字段直接反映购买行为"]
+○
+[数据分布说明，如"二分类/多分类分布均衡"]
+3. 自变量选择
+
+保留字段 ：
+
+字段名     |     处理方式                   |         理由
+
+[字段1]     |    [标准化/One-Hot等]    |        [业务相关性/数据质量]
+
+[字段2     |      ...                            |        ...
+
+排除字段 ：
+
+字段名      |     排除原因
+
+[字段X]      |     [冗余/强共线性/数据缺失率>30%等]
+
+4. 关键特征分析
+
+●
+相关性最高特征 ：
+○
+[字段名]（与因变量相关系数：[数值]，如|r|=0.78）
+●
+高共线性特征对 ：
+○
+[字段A & 字段B]（VIF值：[数值]，如VIF=8.5，需处理）
+ 
+
+5. 模型建议
+
+●
+是否需要正则化 ：
+○
+[是/否]
+○
+理由 ：
+■
+[如"存在多重共线性（VIF>5），推荐L2正则化"]
+■
+[或"特征稀疏且无冗余，无需正则化"]
+●
+推荐验证方式 ：
+○
+[方法名称，如"分层5折交叉验证"]
+○
+理由 ：
+■
+[如"数据量较小且类别分布不均衡"]
+6. 输出格式要求
+请以以下结构分点输出，便于模型生成清晰结论：
+
+1. 问题定义：[一句话描述]  
+
+2. 因变量选择：[字段名] + [选择理由]  
+
+3. 自变量选择：  
+
+   - 保留字段：[字段列表及处理方式]  
+
+   - 排除字段：[字段列表及排除原因]  
+
+4. 关键特征分析：  
+
+   - 相关性最高特征：[字段名]（相关系数值）  
+
+   - 高共线性特征对：[字段对及VIF值]  
+
+5. 模型建议：  
+
+   - 是否需要正则化？[是/否及理由]  
+
+   - 推荐验证方式：[方法名称]  `

src/modules/data/digging/logistic/views/Index.tsx

 import { lazy } from 'react'
 import DataWrap from '@/components/data/DataWrap'
+import { prompt } from '../prompt'
 
 const ButtonModal = lazy(() => import('../components/ButtonModal'))
+const AIModal = lazy(() => import('@/components/data/AIModal'))
 
 export default function DataProcess() {
-  return <DataWrap title="数据挖掘：逻辑回归" buttons={<ButtonModal />}></DataWrap>
+  return (
+    <DataWrap
+      title="数据挖掘：逻辑回归"
+      buttons={<ButtonModal />}
+      extraButtons={<AIModal prompt={prompt} />}></DataWrap>
+  )
 }

src/modules/data/digging/svm/prompt.ts

+export const prompt = `任务目标
+
+支持向量机（SVM）算法设计需求说明，结构化分析和建模建议
+
+数据样本：[在此粘贴数据片段或上传文件（CSV/XLSX）]  
+
+1. 问题定义与目标明确
+请明确回答以下问题：
+
+1.
+核心问题 ：该数据集拟解决的业务问题是什么？（例如：预测用户购买品类、识别高价值客户流失风险等）
+2.
+因变量（目标）选择 ：
+    字段名：[目标变量字段名]  
+
+     - 选择依据：  
+
+        - 业务相关性说明（如"直接关联用户购买行为"）  
+
+        - 数据类型匹配（如分类问题需离散变量、回归问题需连续变量）
+
+    模型预期 ：
+
+         预期性能指标（如准确率>85%、F1-score>0.7）  
+
+         或业务目标（如"将客户流失预测准确率提升15%"）
+
+2. 特征工程与自变量选择
+请分步骤给出建议：
+
+  (1) 特征筛选标准：  
+
+      保留字段：  
+
+  | 字段名 | 处理方式 | 保留理由（满足以下条件） |  
+
+  | [字段1] | 标签编码/One-Hot | 标准化/One-Hot | 与因变量相关性显著（如|r|=0.5+）、业务逻辑相关 |
+
+  | [字段2] | 处理缺失值（如填充/删除） | 数据质量达标（缺失率<5%）、分布合理 |  
+
+    排除字段：  
+
+  | 字段名 | 排除原因 |  
+
+  | [字段X] | 多重共线性（VIF>10）、无关变量、数据噪声 |  
+
+ 
+
+  (2) 特征处理建议：  
+
+     标准化要求：  
+
+  - 强制标准化：SVM对特征量纲敏感，必须进行标准化（\`StandardScaler\`）   
+
+    分类特征：  
+
+  - 编码方式：[One-Hot/标签编码]（如"品类字段需One-Hot编码以保留类别信息"）   
+
+     缺失值处理：  
+
+  - 策略：[填充/删除/模型内置处理]（如"年龄字段缺失率3%，用中位数填充"）  
+
+    异常值处理：  
+
+  - 策略：[离群值截断/删除]（如"销量字段存在极端值，使用IQR法处理"）
+
+3. 模型输入设计
+请给出最终的模型输入方案 ：
+
+    自变量（X）：  
+
+    字段列表及预处理方法：  
+
+    [字段A]：标准化 → 均值0，方差1  
+
+    [字段B]：One-Hot编码 → 扩展为N个二元变量 
+
+    因变量（Y）：  
+
+    字段名：[字段名]  
+
+    是否需要离散化？[是/否及方法]（如"销售额连续值转为高/中/低三类"）  
+
+ 
+
+4. 算法实现建议
+    模型适配性：  
+
+      是否适合SVM？[是/否及理由]  
+
+      若否，推荐调整：  
+
+      尝试线性SVM（如"高维稀疏数据"）或核技巧（如"非线性边界问题用RBF核"） 
+
+    关键参数建议：  
+
+      \`C\`：[建议值及理由]（如"设置为1.0平衡分类边界与误分类惩罚"）  
+
+      \`kernel\`：[linear/rbf/poly等]（如"非线性问题推荐RBF核"）  
+
+      \`gamma\`：[建议值或'auto']（如"RBF核时设为'auto'或网格搜索优化"） 
+
+ 计算资源建议：  
+
+     是否需要降维？[是/否及方法]（如"特征维度>1e3时用PCA降维"）  
+
+     验证与评估：  
+
+       验证策略：[分层5折交叉验证]（如"数据类别分布不均衡"）  
+
+       关键指标：[准确率、F1-score、AUC-ROC（二分类时）]  
+
+5. 输出格式要求
+请以以下结构分点输出，便于模型生成清晰结论：
+
+1. 问题定义：[一句话描述]  
+
+2. 因变量选择：[字段名] + [选择理由]  
+
+3. 自变量选择：  
+
+   - 保留字段：[字段列表及处理方式]  
+
+   - 排除字段：[字段列表及排除原因]  
+
+4. 关键特征分析：  
+
+   - 相关性最高特征：[字段名]（相关系数值）  
+
+   - 高共线性特征对：[字段对及VIF值]  
+
+5. 模型建议：  
+
+   - 是否需要正则化？[是/否及理由]  
+
+   - 推荐验证方式：[方法名称]  
+
+   - 核心参数建议`

src/modules/data/digging/svm/views/Index.tsx

 import { lazy } from 'react'
 import DataWrap from '@/components/data/DataWrap'
+import { prompt } from '../prompt'
 
 const ButtonModal = lazy(() => import('../components/ButtonModal'))
+const AIModal = lazy(() => import('@/components/data/AIModal'))
+
 export default function DataProcess() {
-  return <DataWrap title="数据挖掘：支持向量机" buttons={<ButtonModal />}></DataWrap>
+  return (
+    <DataWrap
+      title="数据挖掘：支持向量机"
+      buttons={<ButtonModal />}
+      extraButtons={<AIModal prompt={prompt} />}></DataWrap>
+  )
 }

src/modules/data/digging/tree/prompt.ts

+export const prompt = `任务目标
+
+决策树算法设计需求说明，结构化分析和建模建议  
+
+数据样本：[在此粘贴数据片段或上传文件（CSV/XLSX）]  
+
+1. 问题定义与目标明确
+请明确回答以下问题：
+
+1.
+核心问题 ：该数据集拟解决的业务问题是什么？（例如：预测用户购买品类、识别高价值客户流失风险等）
+2.
+因变量（目标）选择 ：
+    字段名：[目标变量字段名]  
+
+     - 选择依据：  
+
+        - 业务相关性说明（如"直接关联用户购买行为"）  
+
+        - 数据类型匹配（如分类问题需离散变量、回归问题需连续变量）
+
+    模型预期 ：
+
+         预期性能指标（如准确率>85%、F1-score>0.7）  
+
+         或业务目标（如"将客户流失预测准确率提升15%"）
+
+2. 特征工程与自变量选择
+请分步骤给出建议：
+
+  (1) 特征筛选标准：  
+
+      保留字段：  
+
+  | 字段名 | 处理方式 | 保留理由（满足以下条件） |  
+
+  | [字段1] | 标签编码/One-Hot | 与因变量信息增益高、业务逻辑相关 |  
+
+  | [字段2] | 处理缺失值（如填充/删除） | 数据质量达标（缺失率<5%）、分布合理 |  
+
+    排除字段：  
+
+  | 字段名 | 排除原因 |  
+
+  | [字段X] | 多重共线性（VIF>10）、无关变量、数据噪声 |  
+
+ 
+
+  (2) 特征处理建议：  
+
+     分类特征：  
+
+  - 编码方式：[标签编码/One-Hot]（如"品类字段需One-Hot编码以保留类别信息"）  
+
+     缺失值处理：  
+
+  - 策略：[填充/删除/模型内置处理]（如"年龄字段缺失率3%，用中位数填充"）  
+
+    异常值处理：  
+
+  - 策略：[离群值截断/删除]（如"销量字段存在极端值，使用IQR法处理"）  
+
+3. 模型输入设计
+请给出最终的模型输入方案 ：
+
+    自变量（X）：  
+
+    字段列表及预处理方法：  
+
+       [字段A]：标签编码 → 转换为整数类型  
+
+      [字段B]：One-Hot编码 → 扩展为N个二元变量  
+
+    因变量（Y）：  
+
+    字段名：[字段名]  
+
+    是否需要离散化？[是/否及方法]（如"销售额连续值转为高/中/低三类"）  
+
+ 
+
+4. 算法实现建议
+    模型适配性：  
+
+      是否适合决策树？[是/否及理由]  
+
+      若否，推荐调整：  
+
+      尝试随机森林/梯度提升树（如"特征间交互复杂，需集成学习"）  
+
+    关键参数建议：  
+
+      \`max_depth\`：[建议值及理由]（如"防止过拟合，设置为5"）  
+
+      \`min_samples_split\`：[建议值及理由]（如"避免过分割，设置为10"）  
+
+      \`class_weight\`：[平衡/不均衡]（如"类别分布不均衡时设置'balanced'"）  
+
+    计算资源建议：  
+
+     是否需要特征选择？[是/否及方法]（如"使用特征重要性筛选Top 10字段"）  
+
+     验证与评估：  
+
+       验证策略：[分层5折交叉验证]（如"数据类别分布不均衡"）  
+
+       关键指标：[准确率、F1-score、特征重要性图表]  
+
+5. 输出格式要求
+请以以下结构分点输出，便于模型生成清晰结论：
+
+1. 问题定义：[一句话描述]  
+
+2. 因变量选择：[字段名] + [选择理由]  
+
+3. 自变量选择：  
+
+   - 保留字段：[字段列表及处理方式]  
+
+   - 排除字段：[字段列表及排除原因]  
+
+4. 关键特征分析：  
+
+   - 相关性最高特征：[字段名]（相关系数值）  
+
+   - 高共线性特征对：[字段对及VIF值]  
+
+5. 模型建议：  
+
+   - 是否需要正则化？[是/否及理由]  
+
+   - 推荐验证方式：[方法名称]  
+
+   - 核心参数建议`

src/modules/data/digging/tree/views/Index.tsx

 import { lazy } from 'react'
 import DataWrap from '@/components/data/DataWrap'
+import { prompt } from '../prompt'
 
 const ButtonModal = lazy(() => import('../components/ButtonModal'))
+const AIModal = lazy(() => import('@/components/data/AIModal'))
 
 export default function DataProcess() {
-  return <DataWrap title="数据挖掘：决策树" buttons={<ButtonModal />}></DataWrap>
+  return (
+    <DataWrap title="数据挖掘：决策树" buttons={<ButtonModal />} extraButtons={<AIModal prompt={prompt} />}></DataWrap>
+  )
 }

src/modules/data/read/exploration/components/MaxButtonModal.tsx

@@ -7,13 +7,14 @@ import { useAI } from '@/hooks/useAI'
 import prompt from '@/utils/prompt'
 
 interface ResultItem {
+  key: string
   name: string
   desc: string
 }
 
 export default function ButtonModal() {
   const [results, setResults] = useState<ResultItem[]>([])
-  const resultsOptions = results.map((result) => result.name)
+  const resultsOptions = results.map((result) => ({ label: result.name, value: result.key }))
 
   const { isLoading, post } = useAI({
     onComplete: (message) => {
@@ -34,7 +35,7 @@ export default function ButtonModal() {
   const [open, setOpen] = useState(false)
   const [current, setCurrent] = useState(0)
 
-  const [value, setValue] = useState(1)
+  const [value, setValue] = useState('')
 
   const onChange = (e: RadioChangeEvent) => {
     setValue(e.target.value)
@@ -79,7 +80,7 @@ export default function ButtonModal() {
 
             {current > 0 && <Button onClick={() => prev()}>上一步</Button>}
             {current < steps.length - 1 && (
-              <Button type="primary" onClick={() => next()} disabled={!!value}>
+              <Button type="primary" onClick={() => next()} disabled={!value}>
                 下一步
               </Button>
             )}

src/modules/data/read/exploration/components/MinButtonModal.tsx

@@ -7,13 +7,14 @@ import { useAI } from '@/hooks/useAI'
 import prompt from '@/utils/prompt'
 
 interface ResultItem {
+  key: string
   name: string
   desc: string
 }
 
 export default function ButtonModal() {
   const [results, setResults] = useState<ResultItem[]>([])
-  const resultsOptions = results.map((result) => result.name)
+  const resultsOptions = results.map((result) => ({ label: result.name, value: result.key }))
 
   const { isLoading, post } = useAI({
     onComplete: (message) => {
@@ -34,7 +35,7 @@ export default function ButtonModal() {
   const [open, setOpen] = useState(false)
   const [current, setCurrent] = useState(0)
 
-  const [value, setValue] = useState(1)
+  const [value, setValue] = useState('')
 
   const onChange = (e: RadioChangeEvent) => {
     setValue(e.target.value)
@@ -72,7 +73,7 @@ export default function ButtonModal() {
 
             {current > 0 && <Button onClick={() => prev()}>上一步</Button>}
             {current < steps.length - 1 && (
-              <Button type="primary" onClick={() => next()} disabled={!!value}>
+              <Button type="primary" onClick={() => next()} disabled={!value}>
                 下一步
               </Button>
             )}

src/modules/data/read/exploration/components/NullButtonModal.tsx

@@ -9,13 +9,14 @@ import prompt from '@/utils/prompt'
 const CheckboxGroup = Checkbox.Group
 
 interface ResultItem {
+  key: string
   name: string
   desc: string
 }
 
 export default function ButtonModal() {
   const [results, setResults] = useState<ResultItem[]>([])
-  const resultsOptions = results.map((result) => result.name)
+  const resultsOptions = results.map((result) => ({ label: result.name, value: result.key }))
 
   const { isLoading, post } = useAI({
     onComplete: (message) => {
@@ -49,7 +50,7 @@ export default function ButtonModal() {
   }
 
   const onCheckAllChange: CheckboxProps['onChange'] = (e) => {
-    setCheckedList(e.target.checked ? resultsOptions : [])
+    setCheckedList(e.target.checked ? resultsOptions.map((item) => item.value) : [])
   }
 
   const next = () => {