别让 Agent 把统计数字当常识：用 Starwell 的来源、核验状态与 MCP 工具建立可追溯数据链
让 AI Agent 回答“美国近一年的失业率是多少”“几个经济体的通胀如何比较”，最危险的失败方式通常不是它直接说“不知道”，而是给出一个貌似合理、却没有口径、时间或来源的数字。把这类数字继续写进报告、告警阈值或产品决策，后续很难追查：它来自哪张官方表？是原始值还是计算值？数据在何时抓取？上游修订之后，系统有没有重新检查？
Starwell 是面向应用和 AI Agent、汇集官方统计来源的第三方数据服务。它把多家统计机构的序列以 REST API 和 MCP 服务器提供，并在响应中附带来源 URL、抓取时间、连接器版本、许可证、引用信息和核验状态。它不是让模型“更会猜数字”的提示词层，而是把数据来源和可验证性变成接口契约的一部分。
这类服务尤其适合两种场景：一是 Agent 需要把公共统计数据带入分析、摘要或工作流；二是团队需要让结果能够回放和审计，而不只是得到一次性的自然语言答案。它并不替代统计专业判断：不同机构的指标定义、季调方式、发布时间和地理口径仍可能不同。可靠的流程是让 Agent 找到数据，再让人或规则检查是否选对了指标。
先把“数字”还原成可检查的观测记录
一个可用于工程决策的统计值至少应回答五个问题：对应哪个指标、观测期是什么、数值来自谁、何时获取、当前是否通过核验。Starwell 的观测接口将这些信息放在同一响应中。以 FRED 的美国失业率序列为例，下面的无认证读取会请求最新三条观测值：
curl "https://starwell.dev/api/starwell/v1/sources/fred/series/UNRATE/observations?latest=3"
文档中的响应包含 period、value、revision 和 provenance。其中 provenance.sourceUrl 指向上游数据来源，retrievedAt 记录抓取时刻，connectorVersion 则标识取数连接器版本；meta 还会提供序列名称、单位、频率、引用与许可证信息。也就是说，应用不必仅保存“4.2”这类孤立值，而能保存它在数据链中的位置。
对自动化系统而言，这会改变错误处理方式。若接口返回的是指标不存在、许可证限制、上游不可达或正在物化新序列，就不应把它们都伪装成空数据。Starwell 文档为这些情形给出不同的 HTTP 状态与机器可读错误码；调用方可以据此重试、退避、提示人工选择替代指标，或中止生成结论。
核验状态不是装饰字段
官方数据也会修订，连接器也可能滞后。因此，Starwell 为序列提供 passing、stale、failing、unverified 等核验状态。passing 表示黄金参考值和新鲜度检查通过；stale 表示数值能够核对但上游已发布较新的数据，或尚未在该序列的更新周期内复查；failing 表示黄金检查与实时来源不一致；unverified 则表示已入库但尚未经过核验流程。
工程上不应把这些状态压平为一个布尔值。展示历史图表时，可以保留 stale 并标出数据时点；驱动风控、价格或对外报告时，通常应拒绝 failing，并明确处理 unverified。如果 Agent 要生成文字结论，也应把核验状态和观测期带入上下文，而不是只把数值交给模型。例如“该序列当前为 stale，最后观测期为某月”比“失业率是 X%”更能阻止过度解读。
先搜索目录，再读取固定序列
不要让 Agent 依赖记忆拼接序列 ID。比较稳妥的流程是先用目录接口按指标和地区搜索，再在工作流配置中固定确认过的 source 与 seriesId。目录响应会携带指标、单位、频率、地理范围、许可证和核验信息；这样，审阅者能看到 Agent 到底选了“失业率”、还是误选了“就业人数”。
Python 任务可直接读取 CSV 输出。该格式把归属信息写在开头注释行中，pandas 可以跳过注释后解析日期列：
import pandas as pd
url = (
"https://starwell.dev/api/starwell/v1/"
"sources/fred/series/UNRATE/observations?format=csv&latest=120"
)
df = pd.read_csv(url, comment="#", parse_dates=["period"])
print(df.tail())
这个例子的关键不在于 pandas，而在于把数据获取 URL 固定为代码的一部分。后续若需要变更序列或窗口，应通过代码审查或配置变更留下记录，而不是让提示词在每次运行时重新猜测数据来源。对于长时间序列，还应处理分页、截断提示和上游修订；不能因为接口返回成功，就默认拿到了完整历史。
MCP 让 Agent 使用工具，不等于取消边界
Starwell 同时提供 Streamable HTTP MCP 端点。Claude Code 可用下列命令注册远程服务：
claude mcp add --transport http starwell https://starwell.dev/api/starwell/mcp
文档列出的工具包括目录搜索、来源和数据集查询、序列元数据、统计摘要、观测读取、计算回答以及监控管理。数据读取可匿名使用；计算回答和监控功能需要在账户中创建免费 API key。对 Agent 来说，MCP 的价值是把“查找—读取—取得引用”变成结构化工具调用，而不是要求它从网页段落中抽取数字。
但把 MCP 接进 Agent 之前，仍建议明确工具权限。只读分析 Agent 可以只允许搜索与观测查询；会创建 webhook 监控的 Agent 则需要额外的网络出口、回调地址校验和密钥管理。Starwell 为监控投递提供 HMAC-SHA256 签名，接收端应在解析 JSON 前对原始请求体验证签名。不要因为数据来自公共机构，就跳过 webhook 认证和重放防护。
计算答案应保留输入，而非只保存一段结论
Starwell 的 POST /v1/answer 支持以自然语言提出问题，并在服务端对已选序列运行 Python 计算后返回答案、所用序列、引用和计算代码。这样的能力适合探索性分析，但生产工作流最好仍显式指定序列与时间窗口。例如“某年平均失业率”必须明确起止日期和频率，否则季度、月度与日度数据会产生不同的平均口径。
服务文档说明，计算在每次请求独立的 microVM 中运行，且在沙箱不可用时失败关闭；这降低了执行不可信分析代码的风险，但不能替调用方完成统计审查。对于需要复现的结果，建议连同响应中的 revision 与抓取时刻一并存档：同一观测期被上游修订后，数值变化不一定意味着程序或模型出了错，关键是能识别它究竟使用了哪一个数据版本。团队应保存问题文本、指定序列、时间窗口、返回的 Python、观测期、核验状态与引用；如果答案缓存因底层数据更新而失效，也应允许后续运行产生不同结果并记录原因。
一个可落地的最低标准是：Agent 输出任何统计结论时，都同时输出指标 ID、观测期、核验状态和引用链接；自动化规则拒绝 failing 状态；重要分析固定序列与窗口；监控回调验证签名。这样，模型负责组织解释，数据接口负责提供可追溯证据，人负责判断指标是否真正回答了业务问题。比起让 Agent “看起来懂数据”，这条边界更能经受复盘。
适用边界：统一入口，不是统一口径
Starwell 更适合需要多来源公共统计数据、希望以 API 或 MCP 接入 Agent、并且重视来源和许可证元数据的团队。它能降低查找、格式转换和引用拼接的重复工作，却不能把不同国家、不同机构的统计定义自动变成可直接横向比较的同一指标。页面中标记为 computed 的值也应与原始发布值区分对待。
上线前可以用一个小实验验收：选择一条业务会用到的序列，分别读取 JSON、CSV 与 MCP 工具结果；断言观测期、单位、引用和核验状态都被保留；再模拟 stale 或 failing 时的降级路径。只有当这些失败分支也能被审计，公共统计数据才真正适合进入 Agent 驱动的生产决策链。