准备环境：装好Python和必备工具

首先，你需要安装Python（一种编程语言，用来写代码）和Jupyter Notebook（一个写代码的网页工具，方便一步步运行）。

• 去 python.org 下载Python 3.8以上版本，安装时记得勾选“Add Python to PATH”。
• 打开终端（Windows按Win+R输入cmd，Mac打开“终端”），运行 pip install jupyter pandas numpy matplotlib seaborn statsmodels，一次性安装所有需要的库。
• 常见坑：如果提示“pip不是命令”，说明Python没加到PATH，重装时勾上即可。

下载数据并打开Notebook

我们用一个模拟数据集，包含5万条用户查询记录，已经内置了真实效果（+6%）。

1. 从原文提供的GitHub链接下载 synthetic_data.csv 文件，放到一个文件夹里。
2. 在终端进入该文件夹，输入 jupyter notebook，浏览器会自动打开。
3. 点击“New” -> “Python 3”新建一个笔记本。

运行代码：评估模型效果

核心思路：AI系统会根据置信度分数（0到1之间的数字，表示模型对答案的自信程度）决定用哪个模型。低于0.85用高级模型，高于0.85用廉价模型。我们想知道高级模型是否值得。

• 在Notebook中粘贴以下代码并运行：
  import pandas as pd
df = pd.read_csv('synthetic_data.csv')
print(df.head())
• 你会看到数据包含“confidence”（置信度）和“completed”（是否完成）等列。
• 接着运行回归不连续分析（一种统计方法，比较阈值附近的数据差异）的代码（见原文Notebook）。
• 常见坑：如果报错说缺少库，用pip安装对应的包即可。

验证结果：看看效果是否显著

最后会生成一个图表和数字，显示在置信度0.85处，完成率有一个跳跃，那就是高级模型带来的效果。

• 如果跳跃大约是6%，说明分析成功。
• 你可以调整带宽（分析范围）看结果是否稳定。

下一步：尝试用自己的数据，或者修改阈值（比如改成0.9）重新运行。