---

name: data-engineering-data-driven-feature description: "使用专门的分析、实现和实验代理，通过数据洞察、A/B 测试和持续度量来指导功能构建。" risk: unknown source: community date_added: "2026-02-27"

数据驱动的功能开发

使用专门的分析、实现和实验代理，通过数据洞察、A/B 测试和持续度量来指导功能构建。

在以下情况使用本技能

• 处理数据驱动功能开发任务或工作流时
• 需要数据驱动功能开发的指导、最佳实践或检查清单时

不要在以下情况使用本技能

• 任务与数据驱动功能开发无关时
• 需要此范围之外的不同领域或工具时

说明

• 明确目标、约束和所需输入。
• 应用相关最佳实践并验证结果。
• 提供可操作的步骤和验证。
• 如需详细示例，打开 resources/implementation-playbook.md。

阶段 1：数据分析和假设形成

1. 探索性数据分析

• 使用 Task 工具，subagent_type="machine-learning-ops::data-scientist"
• 提示："对功能 $ARGUMENTS 执行探索性数据分析。分析现有用户行为数据，识别模式和机会，按行为细分用户，计算基线指标。使用现代分析工具（Amplitude、Mixpanel、Segment）理解当前用户旅程、转化漏斗和参与模式。"
• 输出：包含可视化、用户细分、行为模式、基线指标的 EDA 报告

2. 业务假设开发

• 使用 Task 工具，subagent_type="business-analytics::business-analyst"
• 上下文：数据科学家的 EDA 发现和行为模式
• 提示："基于数据分析为功能 $ARGUMENTS 制定业务假设。定义明确的成功指标、对关键业务 KPI 的预期影响、目标用户细分和最小可检测效应。使用 ICE 评分或 RICE 优先级等框架创建可衡量的假设。"
• 输出：假设文档、成功指标定义、预期 ROI 计算

3. 统计实验设计

• 使用 Task 工具，subagent_type="machine-learning-ops::data-scientist"
• 上下文：业务假设和成功指标
• 提示："为功能 $ARGUMENTS 设计统计实验。计算统计功效所需的样本量，定义对照组和实验组，指定随机化策略，规划多重测试校正。考虑贝叶斯 A/B 测试方法以加快决策。为主要指标和护栏指标进行设计。"
• 输出：实验设计文档、功效分析、统计测试计划

阶段 2：功能架构和分析设计

4. 功能架构规划

• 使用 Task 工具，subagent_type="data-engineering::backend-architect"
• 上下文：业务需求和实验设计
• 提示："为 $ARGUMENTS 设计具有 A/B 测试能力的功能架构。包含功能标志集成（LaunchDarkly、Split.io 或 Optimizely）、渐进式发布策略、安全熔断器，以及对照和实验逻辑的清晰分离。确保架构支持实时配置更新。"
• 输出：架构图、功能标志 schema、发布策略

5. 分析埋点设计

• 使用 Task 工具，subagent_type="data-engineering::data-engineer"
• 上下文：功能架构和成功指标
• 提示："为 $ARGUMENTS 设计全面的分析埋点。定义用户交互的事件 schema，指定用于细分和分析的属性，设计漏斗追踪和转化事件，规划队列分析能力。使用现代 SDK（Segment、Amplitude、Mixpanel）实现，具有适当的事件分类法。"
• 输出：事件追踪计划、分析 schema、埋点指南

6. 数据管道架构

• 使用 Task 工具，subagent_type="data-engineering::data-engineer"
• 上下文：分析需求和现有数据基础设施
• 提示："为功能 $ARGUMENTS 设计数据管道。包含实时流处理用于实时指标（Kafka、Kinesis）、批处理用于详细分析、数据仓库集成（Snowflake、BigQuery），以及如适用的 ML 特征存储。"
• 输出：数据管道架构、流处理设计、仓库集成计划