后端与数据工程师经常要做「数据字典生成」这类事：根据库表结构与注释生成数据字典文档。每次都从头写提示词，结果时好时坏；把它做成智能体 Skill，就能让智能体每次按同一套步骤执行，输出结构也更稳定。

这篇是最短路径：不追求完美，只求在 10 分钟内让「数据字典生成」第一次跑通。

准备（2 分钟）

  • 一份真实但已脱敏的数据库结构
  • 一个支持技能或自定义指令的智能体工具（如 Claude Code、Cursor、GPTs、扣子等任一）
  • 一份你认可的数据字典范例（可选，但很有帮助）

第 1 步：写最小指令（3 分钟）

任务：数据字典生成
输入：数据库结构
步骤：
1. 读取表与字段
2. 整理含义与示例
3. 标出敏感字段
4. 输出文档
输出：数据字典，末尾列出需人工确认的内容。
信息不足时先提问，不要编造。

第 2 步：放到工具里（2 分钟）

把上面的内容放进所用工具的规则或技能位置：Claude Code 放进 .claude/skills/data-dictionary/SKILL.md（前面补上 name 与 description），Cursor 放进 .cursor/rules/，GPTs 放进 Instructions。具体位置见各平台版本的文章。

第 3 步：跑一次（2 分钟）

用一句自然语言发出请求，例如：

这是今天的数据库结构，按团队的数据字典生成流程处理一下。

观察智能体是否按步骤执行，输出结构是否符合预期。

第 4 步：修一处（1 分钟）

找出输出中最不满意的一点，只改对应的那一句指令，再跑一次。不要一次改很多处，否则不知道是哪处起了作用。

跑通之后

  • 用测试用例覆盖边界情况
  • 用检查清单确认上线前事项
  • 风险较低，但输出仍需快速过目再使用

交付物结构示例

建议把数据字典固定成下面的结构（示意），方便复核与归档：

## 结论
一句话说明最重要的发现或结果

## 主要内容
- 读取表与字段：……
- 整理含义与示例：……
- 标出敏感字段：……
- 输出文档：……

## 依据
- 引用输入中的具体位置或数据

## 需人工确认
- ……（没有则写“无”）

结构固定之后，复核的人只要先看“结论”和“需人工确认”两部分，就能快速判断结果能否使用。

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。

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。