简诗 AI

核心问题

在实际的数据科学与机器学习落地过程中，团队常面临A/B实验设计不严谨、特征工程难以复用、模型选型缺乏依据，以及业务干预效果难以准确归因的工程化难题。

核心工作流

该技能将资深数据科学家经验沉淀为结构化的标准流程：

• A/B 测试设计：制定符合统计学规范的实验框架，包含流量分桶与指标评估策略。
• 特征工程流水线：构建可复用的 pipeline，确保特征流转与数据处理逻辑的一致性。
• 模型训练与评估：自动化执行模型的训练、评估与筛选流程，辅助技术团队产出可靠的预测模型。
• 因果推断：应用 Difference-in-Differences 等统计方法评估干预效果，区分相关性与因果关系。

适用边界

• 执行约束：默认不自动安装依赖、修改系统权限或创建持久化任务。涉及外部写入时需明确确认。
• 数据安全：凭据仅用于指定的官方服务，不回显或记录；命令和代码默认作为参考。