把「样本量估算」交给智能体，难点不在模型能力，而在流程是否说清楚：输入是什么（基线与预期提升），按什么顺序处理，交付什么（样本量建议），哪些事不能做。Skill 就是把这些写下来的载体。

把下面的清单保存下来，每次使用或修改「样本量估算」技能时过一遍。

编写时

  • description 写清做什么、什么时候用
  • 输入写明需要基线与预期提升，并要求缺信息先提问
  • 步骤为编号列表：确认指标与显著性要求、计算样本量、估算时长、说明假设
  • 输出写明样本量建议的结构
  • 约束包含领域底线与不可逆操作的处理方式
  • 长资料拆到参考文件

上线前

  • 6 类测试输入全部通过
  • 权限按最小范围配置
  • 技能文件中没有密钥和真实个人信息
  • 有负责人和变更记录

每次使用时

  • 输入材料已脱敏或确认可以交给所用平台
  • 观察智能体是否加载了技能
  • 查看“需人工确认”清单
  • 对照原始材料抽查关键信息
  • 风险较低，但输出仍需快速过目再使用

使用后

  • 记录明显的问题样例
  • 输出被大幅修改时，分析原因并考虑改技能
  • 定期检查平台更新是否影响技能

每一步的快速核对

  • 确认指标与显著性要求
  • 计算样本量
  • 估算时长
  • 说明假设

清单只是底线，深入内容见常见坑与安全审查。

交付物结构示例

建议把样本量建议固定成下面的结构（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
- 确认指标与显著性要求：……
- 计算样本量：……
- 估算时长：……
- 说明假设：……

## 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「样本量估算」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：

  • Claude Code Skill：Claude Code 的 Agent Skills 以文件夹为单位：一个 SKILL.md（YAML 头写 name 与 description）加上可选的脚本和参考资料。智能体平时只看到 description。详见Claude Code Skill 版
  • OpenAI Agents SDK：OpenAI Agents SDK 是一个轻量的智能体开发框架。详见OpenAI Agents SDK 版
  • 文心智能体平台：文心智能体平台是百度推出的智能体创建与分发平台。详见文心智能体平台 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
确认指标与显著性要求按指令完成并给出依据抽查关键处，确认无误
计算样本量按指令完成并给出依据抽查关键处，确认无误
估算时长按指令完成并给出依据抽查关键处，确认无误
说明假设按指令完成并给出依据抽查关键处，确认无误
最终交付整理样本量建议决定是否采用、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。