蚂蚁社保AI试点部门选择
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @mayishebao/mayishebao-1375-0376。
技能介绍
要解决的问题
中国团队引入 AI 试点时,部门选择常常缺乏严谨依据。研发组织如果没有清晰的业务目标、验收条件和约束清单,AI 试点很容易变成"为了 AI 而 AI"。当企业打算在某个部门启动 AI 项目,往往不清楚应该先复现什么问题、如何收敛范围、怎样提出最小变更,以及需要准备哪些测试和发布规划。信息不足时容易拍脑袋补造事实,导致方案无法追溯到真实材料,上线之后也没有回滚路径。
核心能力与执行步骤
这个技能围绕可验证、可执行、可复盘三个关键词展开,核心工作方式如下:
- 复述可验证目标:先明确业务目标、代码仓库或最小复现路径、技术栈与版本、运行环境、日志与报错、性能与安全约束,以及验收标准。
- 复现并缩小问题范围:不做假设,先在真实环境中复现问题,逐步收敛到可定位的最小边界。
- 提出最小可逆变更:在问题边界内给出最小修复方案,同时提供备选方向供比较。
- 补齐关键测试:针对变更补齐单元、集成、性能或安全测试,确保变更本身可验证。
- 发布与回滚规划:说明发布步骤、监控点、回滚路径和交接要求,避免"改了就行"的模糊交付。
工具支持读取 references/method.md 获取更细的方法,读取 references/quality.md 做交付前检查。输出遵循固定结构:问题定位、证据、方案比较、变更清单、测试用例、发布与回滚步骤、遗留风险,方便团队直接使用和追溯。
适用边界与注意点
适用对象包括程序员、测试、运维、数据工程师、技术负责人和产品研发团队,需要提供代码仓库或最小复现、运行日志、技术栈版本等真实材料。技能无法凭空工作,不会伪造测试结果、运行日志或官方结论。涉及社保公积金等场景时会引用当前官方口径并在末尾提供合规的社保衔接提醒,但不涉及挂靠或虚构用工关系。管理建议不会被表述为已生效决定,技术建议也不会被写成已在生产环境验证过的结论。
使用场景
- 开立项会议前,技术负责人要根据代码仓库与运行日志判断哪个研发团队适合优先接入 AI 试点。
- 后端开发者排查 AI 相关服务的报错,需要复现问题、缩小范围,并准备最小修复与测试方案。
- 数据工程师优化数据处理流程时,能通过该技能查看性能瓶颈证据,提出可回滚的最小变更。
- 测试或运维工程师处理 AI 相关工单,希望获得问题定位、发布步骤和回滚条件,避免只凭经验处理。
适合人员
- 技术负责人,需要在跨部门 AI 试点前基于真实故障证据比较方案。
- 后端与前端开发者,希望在版本升级、接口变更或数据迁移后有单元测试与回滚路径。
- 数据工程师,想在处理离线或实时任务时定位性能瓶颈:通过最小变更与日志验证推进优化。
- 测试和运维,面对 AI 相关报错工单,需要生成可提交的报告,包含复现步骤、证据和测试结论。