受控分析沙盒（乾淨版）
一份針對受控分析沙盒的 read-only 查詢紀錄：run_id, source_system, batch_id, event_time, ingested_at, entity_id, metric, value, schema_version。用於 Guided Lab。
DS 302 實作中心
使用合成的受控分析沙盒，練習判斷何時真的需要 agent、檢視分析計畫、設計 tool contracts、解析 semantic metric、測試權限邊界、評估 golden questions、防禦 prompt injection，以及演練 verification harness。
資訊
DS 302 實作資料為合成教學資料，所有來源系統、batch 與數值皆為示例，不代表任何真實組織或個人。
注意
請只使用課程提供的合成檔案進行練習。除非獲得授權，請勿將機密組織資料、個人資料或敏感資訊貼入 AI 工具或練習環境；使用真實營運資料前請先確認所屬單位的規範。
下載實作檔案
受控分析沙盒（練習版，含挑戰）
欄位結構相同，但刻意設計了挑戰：晚到的事件、一個 schema drift 的值、一次重複的執行紀錄，以及至少一列違反 data contract 的資料。用於實作中心與 Independent Lab。
資料字典（繁體中文）
分析沙盒的欄位型態、單位、粒度、允許值與資料來源說明（繁體中文）。
資料字典（英文）
英文版資料字典；欄位與定義與中文版一致。
Guided Lab 起始 Notebook（可驗證的 read-only agent）
附有引導與待完成任務的起始 Notebook，練習規劃 → read-only 查詢 → 標示資料版本 → 驗證的流程。
Independent Lab 起始 Notebook / 範本
Data Agent Architecture Canvas + Governed Prototype + Evaluation Pack 的起始 Notebook 與檢查清單範本。
實作任務
A：Agent vs. Workflow 判斷
針對一組範例需求，判斷哪些真的需要動態規劃的 agent，哪些用固定 dashboard 或 workflow 就已經足夠。
使用檔案: 受控分析沙盒（練習版，含挑戰）、資料字典（繁體中文）
步驟
- 閱讀三到五個針對分析沙盒提出的範例需求。
- 針對每一個，判斷這個需求是否真的多樣到需要動態規劃，還是固定檢視就已足夠。
- 對於你判定需要 agent 的需求，說明它需要什麼受控存取與驗證機制。
- 為每個判斷寫一句話的理由。
要完成的產出
- 一份判斷表（需求、結論、理由）
- 至少一個正確判定應交給固定 dashboard/workflow 而非 agent 的案例
B：分析計畫檢視
檢視一份刻意留白的分析計畫草稿，並把它改寫成每個必要元素都明確的版本。
使用檔案: 受控分析沙盒（練習版，含挑戰）、資料字典（繁體中文）
步驟
- 閱讀提供的模糊需求與不完整的計畫草稿。
- 指出實體、指標、篩選、期間、證據需求或 approval needs 中缺少了哪些。
- 把計畫改寫成每個元素都明確、並且根基於沙盒 schema 的版本。
- 說明最終答案必須附上什麼證據才算可信。
要完成的產出
- 標出缺口的計畫檢視結果
- 一份改寫後的完整分析計畫
- 一份必要證據清單
C：Tool Contract 設計
針對這個沙盒設計一小組窄範圍、allowlisted 的 tool contracts。
使用檔案: 受控分析沙盒（練習版，含挑戰）、Guided Lab 起始 Notebook（可驗證的 read-only agent）
步驟
- 列出 agent 針對這個沙盒需要的能力（例如查詢 metric 彙總、發布報表）。
- 為每一項寫下工具名稱、明確的參數 schema，以及 read-only 或 write/action 的分類。
- 加上 allowlist，限制這個工具可以碰觸哪些來源系統或指標。
- 標出哪些工具在執行前需要人工核准。
要完成的產出
- 一份 tool contract 表（名稱、schema、分類、allowlist）
- 明確標示哪些工具需要核准的說明
D：Semantic Metric 解析
面對同一個指標的兩種互相衝突的隨手定義，把它們解析成一個 semantic layer 定義。
使用檔案: 受控分析沙盒（練習版，含挑戰）、資料字典（繁體中文）
步驟
- 閱讀兩段各自用不同方式計算「conversion_rate」的查詢片段。
- 找出這兩個定義究竟在範圍、篩選條件或單位的哪個地方產生分歧。
- 寫下一筆 semantic layer 條目：公式、單位、owner 與 grain。
- 說明當被問到一個尚未存在於 semantic layer 的指標時，agent 應該如何行動。
要完成的產出
- 兩個衝突定義的比較
- 一筆已解析的 semantic layer 指標條目
- 一條針對無法解析/未知指標的明確規則
E：權限邊界測試
測試一個範例 agent 工具是否正確地為特定角色強制執行 row/column security。
使用檔案: 受控分析沙盒（練習版，含挑戰）、Guided Lab 起始 Notebook（可驗證的 read-only agent）
步驟
- 選定一個角色（例如 support_analyst），列出它應該被允許看到的欄位/資料列。
- 以該角色執行範例查詢工具，檢查它是否回傳了邊界以外的內容。
- 如果外洩了未授權的欄位或資料列，精確記錄外洩了什麼、為什麼會發生。
- 提出具體的修正方式（欄位篩選、資料列篩選，或 deny-by-default 規則）來補上這個缺口。
要完成的產出
- 該角色允許的欄位/資料列清單
- 邊界測試結果的紀錄
- 針對發現的外洩提出的具體修正方式
F：Golden Question 評估
建立一組小型的 golden question 集合，並用它檢查一個範例 agent 回應是否有 regression。
使用檔案: 受控分析沙盒（練習版，含挑戰）、Independent Lab 起始 Notebook / 範本
步驟
- 寫出至少三個 golden question，涵蓋一個基準案例、一個模糊需求，以及一個 schema drift 案例。
- 為每一個寫下預期的證據或預期行為。
- 把一個範例 agent 答案跟每個預期比對，標記通過或失敗。
- 針對任何失敗，判斷這是規劃、工具，還是 semantic layer 的問題。
要完成的產出
- 附有預期證據/行為的 golden question 集合
- 通過/失敗的結果
- 針對任何失敗的根因說明
G：Prompt Injection 防禦
找出隱藏在檢索資料中的指令，並驗證 agent 是否正確地把它當成不可信內容處理。
使用檔案: 受控分析沙盒（練習版，含挑戰）、Independent Lab 起始 Notebook / 範本
步驟
- 閱讀提供的範例文件，裡面嵌入了一段針對 agent 的指令。
- 精確指出哪一段文字是被注入的指令，哪一段是正當的資料內容。
- 說明 agent 正確的行為（拒絕/忽略嵌入的指令；持續遵守系統政策）。
- 提出一條偵測規則，能自動標記這類嵌入指令。
要完成的產出
- 找出的注入指令
- 正確 agent 行為的說明
- 一條提出的偵測規則
H：Verification Harness 演練
在一個範例答案呈現給使用者之前，用 verification harness 檢查清單跑一遍。
使用檔案: 受控分析沙盒（練習版，含挑戰）、Guided Lab 起始 Notebook（可驗證的 read-only agent）
步驟
- 取得一個範例答案與它背後的查詢結果。
- 檢查 query scope、row counts、一個獨立的對帳總計，以及聲稱執行過的程式是否真的執行過。
- 決定這個答案應該被保留不發布、修改，還是可以呈現，並說明理由。
- 寫出最終答案，附上引用的資料版本與明確標示的信心/不確定性。
要完成的產出
- 一份完成的驗證檢查清單
- 附理由的保留/修改/呈現決策
- 附資料版本與信心程度的最終答案
完成標記只記錄在這個瀏覽器（加入梯次後會同步）。實作成果請保存在你自己的檔案或 Notebook。