1.GPT Researcher 调研分析
2.机器学习建模前预处理
完成 GPT Researcher 工具部署，以小游戏行业为测试场景，结合宏观行业报告与微信/抖音双平台畅销榜 Top50 数据进行交叉验证，形成阶段性行业判断。
面向深度调研场景的开源 AI 工具，核心能力是根据研究主题自动完成资料搜索、信息整合、内容归纳，并生成结构化调研报告。
工作原理：采用\"规划者 + 执行者 + 汇总者\"三段式代理结构：
准确定位：研究加速器，而非最终报告生成器。 适合承担资料抓取、框架搭建、信息归纳等前置环节，生成内容仍需人工核验与二次加工。
本次以\"小游戏行业发展情况\"为测试场景，分两条线推进：
说明：单月畅销榜只能反映特定时间段内的榜单表现，不能直接代表完整市场规模、用户规模或绝对收入。榜单分析作为辅助验证，而非最终结论依据。
（三）核心发现
基于行业报告与双平台榜单交叉验证，形成以下阶段性判断：
后续可优化方向
XGBoost 是一种基于树模型的机器学习方法，适合处理变量较多、关系复杂、非线性明显的数据。
在本研究中，XGBoost 的作用不是直接证明因果关系，而是用于回答：
在多个机制变量共同进入模型后，哪些变量对综合投入差异更有解释价值？
它可以帮助我们从七个机制变量中，初步筛选出更值得关注的关键机制变量。
SHAP 是一种模型解释方法，用于解释 XGBoost 识别出的变量为什么重要，以及这些变量和综合投入之间呈现什么关系。
SHAP 主要回答三个问题：
XGBoost 更偏向“筛选变量”，SHAP 更偏向“解释机制”
需要检查每个变量的缺失率，并确定处理方式。
一般可以分为：
需要检查金额、积分、次数、人数等变量是否存在极端值。
可考虑：
虽然 XGBoost 不强制要求变量标准化，但为了后续解释和变量比较，建议尽量保持统一口径。
如果多个变量表达的是同一个信息，容易造成解释分散。
例如：
处理建议是：
这是进入模型前最重要的一步。
如果综合投入由金钱投入和有效行为投入构成，则自变量中不能直接放入这些组成项，否则模型会变成“用综合投入的一部分预测综合投入”。
因此，机制变量应尽量来自：
而不是直接使用综合投入的组成行为。