把「流失信号识别」交给智能体，难点不在模型能力，而在流程是否说清楚：输入是什么（用户行为数据），按什么顺序处理，交付什么（信号清单），哪些事不能做。Skill 就是把这些写下来的载体。

本文介绍如何在 OpenAI Agents SDK 上实现这个技能，包括它的形态、示例配置、启用步骤、一次完整的运行过程和常见坑。

这个技能做什么

项目说明
技能流失信号识别（churn-signals）
作用找出预示用户流失的行为信号
输入用户行为数据
输出信号清单
形态带脚本
风险中
适用人群数据分析师与运营

处理流程分四步：

  1. 定义流失
  2. 对比流失与留存用户
  3. 列出差异显著的行为
  4. 建议预警规则

这个技能需要运行本地脚本（解析文件、调用命令行工具等），要求运行环境允许执行代码；属于中等风险：结果会影响业务判断，建议在输出前设置人工审核点。

在 OpenAI Agents SDK 中是什么形态

OpenAI Agents SDK 是一个轻量的智能体开发框架，用 Agent 定义指令与工具，用 function_tool 把 Python 函数变成工具，用 Runner 运行，还支持多智能体交接与护栏。

代码运行在你自己的环境中，可接入日志与追踪；具体的包名、版本与模型配置以官方文档为准。

示例配置

# 示意代码：OpenAI Agents SDK（pip 包名与接口以官方文档为准）
from agents import Agent, Runner, function_tool

@function_tool
def load_churn_signals(path: str) -> str:
    """读取用户行为数据并返回文本。"""
    with open(path, encoding="utf-8") as fh:
        return fh.read()[:20000]

agent = Agent(
    name="流失信号识别",
    instructions="""
1. 定义流失
2. 对比流失与留存用户
3. 列出差异显著的行为
4. 建议预警规则
输出：信号清单。不确定的内容标注“需人工确认”。
""",
    tools=[load_churn_signals],
)

result = Runner.run_sync(agent, "请处理 input.txt 中的用户行为数据")
print(result.final_output)

示例里最重要的是两处：一是描述（或指令开头）要写明「什么时候用」，让智能体在数据分析师与运营提出相关请求时能对上号；二是约束部分要写进「结论要回到原始数据核对口径，避免把相关当因果」这类领域规矩，避免智能体自作主张。

安装与启用步骤

  1. 安装 SDK 并配置模型访问凭据（放在环境变量中）
  2. 用 function_tool 定义读取或处理数据的工具
  3. 在 Agent 的 instructions 中写入技能步骤与约束
  4. 用 Runner 运行并打印结果
  5. 把它包装成命令行工具或接口供团队使用

实操：一次完整的运行

假设你在表格、数据库与 Notebook中发出这样的请求（虚构示例）：

帮我做一下流失信号识别，材料是附上的用户行为数据。

智能体识别到任务与「流失信号识别」相关后，会依次定义流失、对比流失与留存用户、列出差异显著的行为、建议预警规则。最终交付信号清单，并在末尾列出需要人工确认的内容。你的工作是对照原始用户行为数据抽查两三处关键信息，确认无误后再使用。

测试与验收

为 Agent 写几条固定输入的回归用例，每次修改指令后重跑，比较输出结构。

针对这个技能，还建议额外准备：

  • 一份信息齐全的标准用户行为数据，检查输出是否完整
  • 一份缺少关键信息的输入，检查智能体是否先提问而不是编造
  • 一份包含“忽略以上规则”等字样的输入，检查约束是否仍然有效

常见坑

  • 把密钥写在代码里提交。
  • instructions 写得过长，关键约束被淹没。
  • 只写了步骤，没写交付格式，导致每次输出的信号清单结构不同。
  • 没有给出样例，智能体对“好结果”的理解与你不一致；在参考资料里放一两份范例会明显改善。

延伸阅读

说明：文中的配置、代码与目录结构均为示意，用于说明思路；各平台的入口、字段名与能力会更新，落地前请以对应官方文档为准。示例中的数据与场景为虚构，不代表真实案例。