前面我们已经探讨了许多与语义层相关的话题。很多人可能会问：学习语义层到底难不难？坦白说，在早期学习BI工具时，确实需要花费大量时间阅读英文文档，令人困扰。然而进入AI时代后，这些学习壁垒基本被消除——你无需再纠缠于技术细节，只需把握正确方向即可。
那么安装过程呢？现在的做法已截然不同——只需交给Agent自动处理即可。无论是Windows还是Linux系统，无论是本地环境还是远程服务器，操作方式完全一致。若使用远程环境，提前准备好服务器地址和SSH Key即可。打开Codex后，将下面这段指令复制进去：
请依据 https://github.com/foggy-projects/foggy-ai-analysis/releases/tag/v0.1.16 下的 foggy-ai-analysis Skill，在本地安装并启动 AI 分析引擎，完成销售下降样例验证，并输出可直接使用的 MCP 服务配置与验证结果。接下来，你完全无需手动安装繁杂的组件。Codex将根据foggy-ai-analysis Skill的说明，自动下载并安装所需组件。v0.1.16所对应的主要版本如下：
Skill: v0.1.16
CLI: v0.1.20
Ja va launcher: foggy-runtime-launcher-v0.1.6本次仅为演示，因此不提供生产环境数据库连接。在没有数据库连接的情况下，可直接使用Skill自带的SQLite样例数据。变量较少，首次运行更容易成功。
任务执行完毕后，请重点留意Codex输出的以下信息：
Runtime API 地址
MCP analyst endpoint
namespace
SQLite 文件路径
验证结果若这些信息均已正常输出，则表明本地AI分析引擎已成功启动，且销售下降样例已验证通过。
安装MCP服务至Codex
接下来，将刚才启动的MCP服务连接回Codex。向Codex发送以下指令：
请将此 MCP 服务安装至 Codex。这里的“这个MCP服务”指的是上一步输出的MCP analyst endpoint和namespace。Codex将根据这些信息自动更新其MCP配置。
配置完成后，请重新开启一个Codex会话。此后，对话将不再仅仅是文本交流，而是能够调用刚刚启动的语义分析服务。
新建一个Codex会话
在新会话中，不要急于提出复杂问题。可以先确认当前可用的工具、模型以及可提问的范围：
当前可用的工具有哪些？
目前有哪些分析模型或数据模型？
我可以基于这些模型提出哪些问题？如果MCP服务已正确连接，Codex应能显示与销售下降分析相关的工具或模型。接下来，即可提出业务问题：
近期哪些客户的销售额下降最为显著？
哪些区域或渠道的下降幅度最大？
下降的主要原因是订单数量减少、客单价降低，还是退款增多？
哪些销售下降问题需要立即跟进？每个问题应由谁负责？例如，当询问“哪些区域或渠道下降最严重”时，Codex将通过MCP调用语义查询模型，而非仅凭上下文猜测答案。
进一步追问下降原因时，可以看到它将基于现有字段进行分析，同时指出当前模型尚缺哪些字段，无法将原因分解得过于细致。
还可以有意提出一个当前样例无法直接回答的问题：
预测下周销售额能否恢复？此问题用于验证系统边界。当前样例仅包含已发生的销售下降诊断数据，缺乏预测模型及未来恢复数据。系统不应强行编造预测结论，而应说明缺失预测所需的数据或模型。
本步骤实际完成了什么
这一阶段的重心并非销售下降本身，而是先打通一条最小链路：
Codex 读取 foggy-ai-analysis Skill。
Codex 安装并启动本地 AI 分析引擎。
无数据库连接时使用 SQLite 样例数据。
Skill 创建销售下降样例数据与语义模型。
CLI 完成验证及题库检查。
Codex 输出可直接使用的 MCP 服务配置。
新会话通过 MCP 调用分析服务。成功运行后，你便获得了一套可在本地验证的AI分析环境。
后续若需切换至真实业务数据，则不再使用样例SQLite，而是将数据库连接信息交给Codex，使foggy-ai-analysis Skill协助检查表结构、创建语义层并维护数据模型。你无需一开始就深入学习引擎的所有细节，可以从实际业务问题出发，先跑通最小闭环。
下一篇将继续讲解：如何利用此Skill，基于真实数据库构建一个可用的语义层。
