后端与数据工程师经常要做「分区建议」这类事：为大表评估分区策略。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。

项目说明
技能分区建议（partition-advisor）
作用为大表评估分区策略
输入表规模与查询模式
输出分区方案
形态纯提示词
风险中
适用人群后端与数据工程师

1. 「分区建议」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。大部分平台的技能或规则都是写 Markdown 或填表单。

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。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。

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「分区建议」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：

  • GPTs：GPTs 是在 ChatGPT 中创建的定制版助手。详见GPTs 版
  • Gemini CLI：Gemini CLI 会读取项目中的 GEMINI.md 作为长期上下文。详见Gemini CLI 版
  • Function Calling：Function Calling（工具调用）是主流大模型 API 的通用能力：你用 JSON Schema 描述函数。详见Function Calling 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
分析数据增长按指令完成并给出依据抽查关键处，确认无误
选择分区键按指令完成并给出依据抽查关键处，确认无误
评估查询收益按指令完成并给出依据抽查关键处，确认无误
说明维护成本按指令完成并给出依据抽查关键处，确认无误
最终交付整理分区方案决定是否采用、是否对外

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。

准备一份好范例

在技能的参考资料里放一份你认可的分区方案范例，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。