「数据字典生成」是后端与数据工程师的高频任务。它的输入通常是数据库结构，期望得到的是数据字典。这类有固定流程、又需要一点判断力的工作，很适合封装成智能体 Skill。

项目说明
技能数据字典生成（data-dictionary）
作用根据库表结构与注释生成数据字典文档
输入数据库结构
输出数据字典
形态带脚本
风险低
适用人群后端与数据工程师

1. 「数据字典生成」技能和直接写提示词有什么区别？

技能把步骤、格式和约束固定下来，由平台在相关时自动加载；提示词需要每次手动提供，效果依赖当次写法。

2. 需要会编程吗？

不需要。不过这个技能带脚本，脚本部分需要有人能维护。

3. 哪个平台最适合？

取决于你在哪里工作：写代码的团队适合 Claude Code、Cursor 等编码工具；业务团队适合 GPTs、扣子、百炼、飞书 aily 等平台。可以先读介绍。

4. 输出可以直接用吗？

不建议。风险较低，但输出仍需快速过目再使用。

5. 缺资料时会怎样？

如果技能里写了“信息不足先提问”，智能体会先列出缺失项；没写的话可能自行补全，这正是要避免的。

6. 能处理很长的材料吗？

取决于模型上下文长度。材料过长时，建议在技能中要求分段处理并说明处理范围。

7. 数据安全怎么保证？

测试时使用脱敏样例，按最小权限配置工具，并确认平台的数据政策。详见安全审查。

8. 效果不好怎么办？

按故障排查对照症状，一次只改一处并重跑测试。

平台选择建议

同一个「数据字典生成」技能可以落在不同平台上，选择时主要看你在哪里工作、要不要执行代码、要不要接外部系统：

  • 扣子（Coze）智能体与工作流：扣子（Coze）是字节跳动推出的智能体开发平台。详见扣子（Coze）智能体与工作流 版
  • AGENTS.md：AGENTS.md 是放在仓库根目录、写给编码智能体看的说明文件。详见AGENTS.md 版
  • MCP 服务：MCP（模型上下文协议）是一个开放协议。详见MCP 服务 版

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，可据此排除不支持相应能力的平台。

智能体与人的分工

技能不是把工作全部交出去，而是把重复、机械的部分交给智能体，人把住判断和责任：

步骤智能体负责人负责
读取表与字段按指令完成并给出依据抽查关键处，确认无误
整理含义与示例按指令完成并给出依据抽查关键处，确认无误
标出敏感字段按指令完成并给出依据抽查关键处，确认无误
输出文档按指令完成并给出依据抽查关键处，确认无误
最终交付整理数据字典决定是否采用、是否对外

风险较低，但输出仍需快速过目再使用。

准备一份好范例

在技能的参考资料里放一份你认可的数据字典范例，往往比多写十条规则更有效。好范例应当：

  • 来自真实工作，但已去除个人信息和敏感数据
  • 体现团队习惯的结构、措辞和详略程度
  • 包含一处“需人工确认”的标注示范，让智能体学会如何表达不确定
  • 篇幅适中，不要比平时的产出长太多

范例不必多，一到两份即可；太多范例反而会让智能体机械模仿某一份的细节。

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。