数据分析师与运营经常要做「数据质量巡检」这类事：检查数据的完整性、一致性与及时性。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。

本文以「数据质量巡检」为例，逐段讲解 SKILL.md 的写法。SKILL.md 是 Claude Agent Skills 采用的格式：YAML 头 + Markdown 正文，其结构思路也适用于其他平台的规则文件与指令。

完整示例

---
name: data-quality-check
description: 检查数据的完整性、一致性与及时性。当用户提到数据质量巡检、或给出数据表并希望得到质量报告时使用。
---

# 数据质量巡检

## 输入
- 数据表
- 若缺少关键信息，先列出需要补充的问题

## 步骤
1. 定义检查规则
2. 运行检查
3. 标出异常
4. 建议负责人

## 输出
- 质量报告
- 末尾附「需人工确认」清单（没有则写“无”）

## 约束
- 结论要回到原始数据核对口径，避免把相关当因果。
- 信息不足时先提问，不要自行编造数据或事实。
- 脚本只在当前项目目录内运行，运行失败时报告错误原文，不要猜测结果。

## 脚本
- 需要解析或批量处理时运行 `python scripts/data_quality_check.py <路径>`，读取其输出后再总结

第一段：name

name 用小写字母和连字符，例如 data-quality-check，与文件夹名保持一致，方便检索和引用。不要用空格、中文或版本号。

第二段：description（最关键）

智能体平时只看得到 description，靠它判断要不要加载技能。好的 description 同时回答两件事：做什么（检查数据的完整性、一致性与及时性），什么时候用（用户提到数据质量巡检或给出数据表时）。

反例：“一个很有用的数据质量巡检工具”——没有触发条件，智能体很难对上号。

第三段：输入与步骤

输入写清楚需要什么材料，并要求缺信息时先提问。步骤用编号列表，每步一个动作：

  1. 定义检查规则
  2. 运行检查
  3. 标出异常
  4. 建议负责人

步骤是给智能体的执行顺序，不是给人看的说明书，越具体越好。

第四段：输出

写明交付物（质量报告）以及固定结构。建议统一附上“需人工确认”清单，让复核的人知道看哪里。

第五段：约束

约束写的是不能做什么、遇到什么情况要停下：

  • 结论要回到原始数据核对口径，避免把相关当因果。
  • 信息不足时先提问，不要自行编造数据或事实。
  • 脚本只在当前项目目录内运行，运行失败时报告错误原文，不要猜测结果。

渐进式加载：把长资料拆出去

团队规范、长模板、术语表不要塞进 SKILL.md 正文，放到同目录的 reference.md 等文件中，在正文里写“需要时阅读 reference.md”。这样平时加载很轻，需要时再读取细节。需要确定性处理的部分（解析、统计、校验）写成脚本放在 scripts/ 下，正文中说明调用方式。

目录结构

.claude/skills/data-quality-check/
├── SKILL.md
├── scripts/data_quality_check.py
└── reference.md      # 可选：团队规范、模板等长资料，按需加载

写完之后

用三种不同说法描述任务，看技能是否都能被触发；再用一个无关请求确认不会误触发。之后参考测试用例与效果评估持续改进。

常见变体

同一个技能可以按使用场景派生出几个变体：

  • 简版：只保留核心步骤（定义检查规则、建议负责人），适合快速过一遍
  • 详版：每一步都写出理由与依据，适合交给他人复核或留档
  • 批量版：一次处理多份数据表，输出汇总表，适合定期集中处理

变体之间共享同一套约束，只在步骤详略和输出格式上有差异。可以在一个技能里用参数区分，也可以拆成几个名称明确的技能。

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。