后端与数据工程师经常要做「敏感字段识别」这类事：扫描库表，标出可能包含个人信息的字段。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。

背景（虚构）

小唐是一名后端，每周都要做几次敏感字段识别。过去靠复制粘贴提示词，结果不稳定。这次团队把它做成了技能，下面记录一次完整运行。

1. 发出请求

小唐在数据库客户端与查询工具中输入：

帮我做一下敏感字段识别，材料是附上的表结构与样例（脱敏）。

2. 技能被触发

智能体根据技能描述判断任务匹配，加载「敏感字段识别」的完整指令。它先运行技能自带的脚本做预处理，确保后续分析基于准确的数据。

3. 按字段名与类型初筛

智能体完成“按字段名与类型初筛”，并在中间结果里注明依据，方便小唐回看。

4. 抽样判断

智能体完成“抽样判断”，并在中间结果里注明依据，方便小唐回看。

5. 分级标注

智能体完成“分级标注”，并在中间结果里注明依据，方便小唐回看。

6. 建议脱敏方式

智能体完成“建议脱敏方式”，并在中间结果里注明依据，方便小唐回看。

7. 交付与复核

智能体交付敏感字段清单，末尾列出两条需人工确认的内容。小唐对照原始表结构与样例（脱敏）抽查关键信息，修正一处表述后采用。

复盘：这次做对了什么

  • 步骤写在技能里，没有遗漏
  • 不确定处被标出，而不是被编造
  • 遵守了「默认使用只读连接，任何写操作都要人工确认」
  • 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

可以改进的地方

小唐发现智能体对团队内部术语理解不一致，于是在技能目录中加了一份术语表（reference.md），并在 SKILL.md 中写明“遇到术语先查表”。更多改法见定制指南。

准备一份好范例

在技能的参考资料里放一份你认可的敏感字段清单范例，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。

每一步要产出什么

把每一步的中间产出写清楚，智能体就不容易跳步，人也方便定位问题：

  1. 按字段名与类型初筛：产出一段简短的中间结果，并注明依据来自表结构与样例（脱敏）的哪一部分
  2. 抽样判断：产出一段简短的中间结果，并注明依据来自表结构与样例（脱敏）的哪一部分
  3. 分级标注：产出一段简短的中间结果，并注明依据来自表结构与样例（脱敏）的哪一部分
  4. 建议脱敏方式：产出一段简短的中间结果，并注明依据来自表结构与样例（脱敏）的哪一部分

最后一步之后，再把这些中间结果汇总成敏感字段清单。中间结果可以折叠或省略展示，但在技能指令中要求智能体“先完成再汇总”，能明显减少遗漏。

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。