上一篇文章里，我们搭了一个能”复盘视频数据”的智能体。但如果每次都要重复描述分析步骤，还是很啰嗦。

更聪明的做法：把整套分析流程封装成一个 Skill。之后一句话就能触发完整流程——从 SQL 取数、清洗聚合，到 Power BI 可视化、输出业务结论，一步到位。

什么是 Skill

Skill 是智能体的”技能包”：一个包含说明文档 + 脚本 + 资源的目录，让智能体知道”遇到这类任务时，按这套标准流程干”。

internal-data-analysis-skill/
  SKILL.md              # 技能说明：何时用、怎么用
  scripts/
    run_query.py        # 取数脚本
    clean_and_aggregate.py  # 清洗聚合
  resources/
    warehouse_schema.md    # 数仓表结构
    metrics_definitions.md # 指标口径定义
    analysis_examples.md   # 分析示例

SKILL.md 怎么写

必需字段：名称、描述、标签、所有者、版本。核心是 description——它决定了智能体什么时候”想起”调用这个 Skill，要写清楚触发场景和约定：

---
name: internal-data-analysis
description: 当用户需要基于内部数仓做数据分析时使用。
流程：SQL 取数 → 清洗聚合 → 可视化 → 输出业务结论。
约定：指标口径一律以 metrics_definitions.md 为准。
---

一个完整的数据分析 Skill 长什么样

以”电商经营分析”为例，Skill 封装四个步骤：

步骤 1：SQL 取数

脚本：run_query.py
动作：执行预置 SQL 查询 DWD 层订单表
输出：最近 30 天订单明细 CSV

步骤 2：清洗与聚合

脚本：clean_and_aggregate.py
动作：去重、异常剔除、按日/品类聚合
输出：清洗后的分析表 + 数据质量说明

步骤 3：可视化

动作：将聚合结果输出为图表（折线、柱状、漏斗）
工具：内置图表库 / 导出给 Power BI

步骤 4：业务结论

动作：结合指标口径，输出 4 个维度的业务结论
（趋势、结构、异常、建议）

三个值得注意的设计点

1. 人类确认环节（Human-In-The-Loop）

一次错误的自动执行可能污染生产数据。在 Skill 里加”执行前确认”节点：比如更新数据库前让用户确认；运行时以请求参数决定是否需要人工审批。宁可慢一步，不可错一步。

2. 提示词可配置

不同模型对 Prompt 的”脾气”不同，一套模板走天下行不通。把 Prompt 做成可动态配置的（管理员可调、运行时读取），改一句话不用重启系统。

3. 指标口径单一定义

业务分析最容易翻车在”口径不一致”——同一个”成交额”，有人算含税有人算不含税。把指标定义集中在 metrics_definitions.md，Skill 每次引用同一份口径。

经验要点

  • Skill = 标准流程 + 脚本 + 知识资源，一次封装、反复复用
  • 触发靠 description 写清楚，“什么场景用”比”怎么用”更重要
  • 数据敏感操作加人工确认节点；Prompt 做成可配置

小结

  • 扣子 Skill 把”分析流程”产品化，一句话触发全流程
  • 好的 Skill 有明确触发条件、固定步骤、统一口径
  • 加上人工确认与可配置 Prompt，才适合企业级使用

上一篇：用 Coze 零基础构建数据分析智能体。