数据驱动功能开发
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 @org-eyw2ohcx/rmyndharis-antigravity-skills-data-engineering-data-driven-feature。
技能介绍
要解决什么问题
很多功能在上线前缺少可验证的假设:团队靠直觉排期,埋点事后补,实验样本量不够或分组不干净,最后只能靠「感觉不错」决定是否全量。更麻烦的是架构没预埋 feature flag 与事件 schema,想做小流量验证时只能硬发版,guardrail 指标出了负向也难以快速回滚。
技能如何工作
本技能把数据驱动功能开发拆成六个阶段,并在各阶段通过 Task 子代理分工:先由数据科学家做探索性分析与实验设计(样本量、随机化、主/护栏指标),业务分析师产出 ICE/RICE 式可度量假设;后端架构师规划带 LaunchDarkly / Split.io 等开关的 rollout;数据工程师设计 Segment / Amplitude 类事件 taxonomy 与 Kafka / Snowflake 管线;实现在前后端(及可选 ML 在线推理)中把埋点作为一等需求;上线前做埋点校验与实验配置,再渐进放量与实时看板;最后用频繁ist/Bayesian 分析与业务 ROI 评估做 go/no-go,并规划后续优化实验。
技能还给出成功标准清单:交互埋点覆盖率、实验有效性、统计严谨性、业务与性能护栏、决策时效与文档化学习闭环。
适用边界
任务若与数据驱动功能开发无关,或你需要的域/工具超出该工作流(如无实验、无产品分析诉求),就不适合启用。协调上需数据、业务与工程在同一节奏:埋点不是上线后补丁,统计显著与业务速度要在实验设计里提前对齐。
使用场景
- 新功能立项前,要用 Amplitude/Mixpanel 行为数据做 EDA 并定 baseline 与分群
- 上线前需设计样本量、对照/实验组与护栏指标,避免 SRM 或功效不足
- 后端实现要在决策点接 feature flag,并为实验分析写全量事件与性能日志
- 灰度发布后要在看板上盯显著性与 p95 延迟,异常时触发自动回滚
适合人员
- 负责新功能实验方案与显著性解读的数据科学家/增长分析
- 要把假设写成可测 KPI 与 ROI、做上线建议的产品/商业分析
- 在发版链路里集成埋点 schema、数据管道与 feature flag 的后端/数据工程师
- 配置渐进放量、实验流量与监控告警的 SRE/发布工程师