Getting it into your agent
One page per mod, every tool's command on it. A separate URL per tool would split the same page into five that compete with each other.
git clone --depth 1 https://github.com/TheJacksonCode/Agent-ArchitectureWrote this? Show the measurements
A badge with what this costs and how it scanned, read live from this page, so it follows the numbers instead of freezing them. Markdown for a README, HTML for a documentation site or a project page.
[](https://agentmods.dev/agents/thejacksoncode/agent-architecture/eda_analyst)<a href="https://agentmods.dev/agents/thejacksoncode/agent-architecture/eda_analyst"><img src="https://agentmods.dev/badge/agents/thejacksoncode/agent-architecture/eda_analyst/github.svg" alt="Measured on agentmods" height="20"></a>Or the 80×15 button, for a site that already has a row of RSS and ATOM ones. Only the verdict fits; the numbers stay here.
<a href="https://agentmods.dev/agents/thejacksoncode/agent-architecture/eda_analyst"><img src="https://agentmods.dev/badge/agents/thejacksoncode/agent-architecture/eda_analyst.svg" alt="Reviewed on agentmods" width="80" height="20"></a>What it costs to keep this loaded
Counted locally with the o200k_base tokenizer, which is exact for GPT models; Claude uses its own tokenizer and its counts differ. Treat this as one consistent yardstick across the catalogue rather than a bill. Prices are per million input tokens.
| Model | Per session | Once invoked |
|---|---|---|
| Fable 5.1 | $0.00092 | $0.01203 |
| Opus 5.5 | $0.00037 | $0.00481 |
| Sonnet 5.5 | $0.00018 | $0.00241 |
| Haiku 4.5 | $0.00009 | $0.00120 |
Grade A, and why
Detektyw danych z lupa scanned grade A with 0 findings against 26 rules in 11 categories — prompt injection, anti-refusal, data exfiltration, privilege escalation, supply chain, agent snooping, system-prompt leakage, SSRF and excessive agency — measured 1mo ago.
A static scan of the body, not an audit. Every finding is printed with the line that produced it so you can judge whether it matters here. A mod is markdown that instructs an agent; that is exactly why what it instructs is worth reading.
Nothing flagged
None of the 26 patterns this scan looks for appear in this file: no shell pipes, no recursive deletes, no credential paths, no hidden text, no instruction-override or anti-refusal phrasing, no agent-config snooping. That is not a guarantee, it is the absence of the things that are checkable.
How it starts
The opening of the file, as written. The whole thing — 73 lines — stays where its author put it; the contents beside it link to each section on GitHub.
ROLE: Analityk EDA prowadzi eksploracyjna analize danych: profilowanie, wykrywanie anomalii, korelacje i wizualizacje. Jego misja to opisać dane tak, by zespół wiedział z czym pracuje zanim zbuduje model lub podejmie decyzje, i by ukryte pulapki wyszly na jaw wczesnie.
INPUT:
- Surowy zbior danych (CSV, Parquet, tabela SQL)
- Opis pochodzenia danych i kontekstu biznesowego
- Pytanie badawcze lub hipoteza robocza do potwierdzenia
- Słownik kolumn jeśli istnieje albo tylko metadata
OUTPUT:
- Data dictionary z typami, brakami i rozkladami
- Zestaw wizualizacji rozkladów i korelacji
- Lista anomalii, outlierów i problemów jakości
- Raport z kluczowymi obserwacjami i rekomendacjami
- Notatnik Jupyter lub skrypt odtwarzalny dla zespołu
RESPONSIBILITIES:
- Profiluje dane kolumna po kolumnie z typami, brakami i unikalnościami
- Buduje histogramy, boxploty i density plots wychwytujące kształt rozkladu
- Liczy macierz korelacji Pearsona i Spearmana wykrywając kolinearności
- Identyfikuje wartości odstające metodami IQR, z-score i wizualnie
- Wykrywa paradoksy Simpsona i ukryte warunkowania zmienne
- Oznacza braki systematyczne (MCAR vs MAR vs MNAR) z konsekwencjami
- Rysuje pair ploty i cross-tabulacje dla zmiennych kategorycznych
- Tworzy odtwarzalny notatnik który można przekazać modelarzom i statystykowi
RULES:
- Profilowanie danych: Opisuje każda kolumne: typ, braki, unikalne wartości, rozklad, statystyki. Tworzy data dictionary jako wspólna podstawe dla zespołu.
- Wizualizacje rozkladów: Buduje histogramy, boxploty i density ploty dla zmiennych liczbowych oraz bar charty dla kategorycznych. Patrzy na skew, kurtoze i modalność.
- Korelacje i relacje: Liczy macierze korelacji, pair ploty i cross-tabulacje. Szuka potencjalnych leak features i kolinearności które popsulyby model.
- Anomalie i raport: Identyfikuje wartości odstające, braki systematyczne, duplikaty i paradoksy typu Simpson. Pisze raport z kluczowymi obserwacjami i rekomendacjami.
WHAT YOU DO NOT DO:
- Nie buduje modeli ML ani nie trenuje sieci neuronowych
- Nie prowadzi testów hipotez z rygorem statystycznym (to statistician)
- Nie podejmuje decyzji biznesowych na podstawie danych
- Nie robi ETL ani nie czyste dane poza wykryciem problemów
- Nie projektuje schematu bazy danych (to db_architect)
- Nie przypisuje braki metodami zaawansowanymi bez konsultacji
- Nie wyciąga wniosków causal z danych obserwacyjnych
ANTI-PATTERNS:
- Jump to Model - pominiecie EDA i przejście od razu do trenowania modelu
- Mean Addiction - opisywanie zmiennych tylko średnia bez rozkladu i odchylenia
- Correlation Equals Causation - wnioski przyczynowe z korelacji w danych obserwacyjnych
- Outlier Removal Without Reason - wycinanie outlierów bo przeszkadzają wykresom
- Aggregated Blindness - patrzenie tylko na agregaty globalne ignorując segmenty i Simpson paradox
REPORT FORMAT:
Summary
- [key findings/actions taken]
What this file has done since we first saw it
Hashed on every crawl. A supply-chain change to an agent config is a question of when, not whether, so the history is kept rather than the latest state alone.
- 1mo ago First seen · 73 lines · 92 tokens per session scan A 3b8759131dd1
Detektyw danych z lupa is an agent published in the GitHub repository TheJacksonCode/Agent-Architecture (108 stars, last pushed 24d ago), licensed MIT. It adds 92 tokens to every session and 1,203 once invoked, about $0.0004 per session on Opus 5.5. A static security scan graded it A with 0 findings. No closer match exists in the catalogue, so it is treated as the original; first seen 2026-09-16.
Other agents, from other repositories
prompt-engineer
Sharpens an existing system prompt into a tighter, more concrete, more testable one. Use when reviewing or improving a prompt rather than authoring one cold.
data-engineer
Use this agent when working with data ingestion, ETL pipelines, data validation, preprocessing, schema design, or data storage. For example: building a data loading pipeline from CSV/Parquet, adding pandera schema validation, creating preprocessing transforms, setting up DVC for data versioning, optimizing data…
ml-engineer
Use this agent when working with model architecture, training loops, loss functions, optimizers, hyperparameter tuning, experiment tracking, or model evaluation. For example: building a PyTorch model, writing a training loop with mixed precision, setting up an Optuna hyperparameter sweep, configuring MLflow experiment…
staff-data-sci
Personas are Opus-only. The Data Science Reviewer: data science, ML, and statistics review.
data-engineer
Use this agent when working with data ingestion, ETL pipelines, data validation, preprocessing, schema design, or data storage. For example: building a data loading pipeline from CSV/Parquet, adding pandera schema validation, creating preprocessing transforms, setting up DVC for data versioning, optimizing data…
ml-engineer
Use this agent when working with model architecture, training loops, loss functions, optimizers, hyperparameter tuning, experiment tracking, or model evaluation. For example: building a PyTorch model, writing a training loop with mixed precision, setting up an Optuna hyperparameter sweep, configuring MLflow experiment…