后端与数据工程师经常要做「数据质量规则」这类事：为关键表制定完整性、唯一性、取值范围检查。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。

下面是把「数据质量规则」做成技能时最常见的 8 个问题，每条都给出改法。

1. 描述写成口号

智能体判断不出何时该用。改为“为关键表制定完整性、唯一性、取值范围检查；当用户提到数据质量规则时使用”。

2. 步骤太粗

只写“做好数据质量规则”。改为编号的具体动作：列出关键字段；定义规则；编写检查 SQL；设置告警阈值。

3. 没有输出格式

每次交付的质量检查 SQL结构不同。在技能中给出固定标题或表头。

4. 没写缺信息怎么办

智能体自行补全，产生编造内容。明确要求先列出缺失项并提问。

5. 忽略领域规矩

例如没写「默认使用只读连接，任何写操作都要人工确认」。把这类底线写进约束段落。

6. 权限过大

把纯指令技能和带执行权限的工具混在一起。纯提示词能完成的就不要挂工具。

7. 长资料塞进正文

每次加载都很重，关键规则被淹没。把规范、模板拆到参考文件按需读取。

8. 改完不测

一次改多处又不回归测试。保留测试用例，每次修改后重跑。

一个自查办法

把技能交给一位没参与编写的同事，让他只看 SKILL.md（或规则文件）回答三个问题：什么时候用？输入什么？交付什么？答不上来的地方，就是需要补写的地方。

风险提示：风险较低，但输出仍需快速过目再使用。

平台选择建议

同一个「数据质量规则」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：

  • MCP 服务：MCP（模型上下文协议）是一个开放协议。详见MCP 服务 版
  • n8n AI Agent：n8n 是可自托管的工作流自动化工具。详见n8n AI Agent 版
  • Cursor Rules：Cursor 用项目规则（Project Rules）给智能体注入长期指令。详见Cursor Rules 版

这个技能纯指令型，不需要额外脚本或外部连接，复制到大多数平台都能用，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
列出关键字段按指令完成并给出依据抽查关键处，确认无误
定义规则按指令完成并给出依据抽查关键处，确认无误
编写检查 SQL按指令完成并给出依据抽查关键处，确认无误
设置告警阈值按指令完成并给出依据抽查关键处，确认无误
最终交付整理质量检查 SQL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质量检查 SQL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。