GPTs 实战：做一个专门样本量估算的定制助手
如果你在表格、数据库与 Notebook里反复做样本量估算，可以考虑把经验沉淀为一个 Skill：写清触发条件、步骤、输出格式和边界，让智能体代劳重复部分，人只负责把关。
本文介绍如何在 GPTs 上实现这个技能，包括它的形态、示例配置、启用步骤、一次完整的运行过程和常见坑。
这个技能做什么
| 项目 | 说明 |
|---|---|
| 技能 | 样本量估算（sample-size-calc） |
| 作用 | 为实验或调研估算所需样本量 |
| 输入 | 基线与预期提升 |
| 输出 | 样本量建议 |
| 形态 | 带脚本 |
| 风险 | 低 |
| 适用人群 | 数据分析师与运营 |
处理流程分四步：
- 确认指标与显著性要求
- 计算样本量
- 估算时长
- 说明假设
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；风险较低，但输出仍需快速过目再使用。
在 GPTs 中是什么形态
GPTs 是在 ChatGPT 中创建的定制版助手，可以设置指令（Instructions）、上传知识文件、开启所需能力，并通过 Actions 调用外部 API。
创建与分享的权限取决于账户类型与工作区设置，以 OpenAI 官方说明为准。
示例配置
# Instructions（指令）示意
你是「样本量估算」助手。用户会提供基线与预期提升。
1. 确认指标与显著性要求
2. 计算样本量
3. 估算时长
4. 说明假设
输出：样本量建议。
- 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。
知识文件中的规范优先于你的通用习惯；找不到依据时直说。
示例里最重要的是两处：一是描述（或指令开头）要写明「什么时候用」，让智能体在数据分析师与运营提出相关请求时能对上号；二是约束部分要写进「结论要回到原始数据核对口径，避免把相关当因果」这类领域规矩，避免智能体自作主张。
安装与启用步骤
- 在 GPT 编辑器中新建 GPT，填写名称与描述
- 在 Instructions 中写入技能步骤、输出格式与约束
- 上传团队规范、模板等知识文件
- 需要外部数据时配置 Actions（OpenAPI 描述）
- 在预览中测试后保存，并设置分享范围
实操：一次完整的运行
假设你在表格、数据库与 Notebook中发出这样的请求（虚构示例）：
帮我做一下样本量估算，材料是附上的基线与预期提升。
智能体识别到任务与「样本量估算」相关后，会依次确认指标与显著性要求、计算样本量、估算时长、说明假设。最终交付样本量建议，并在末尾列出需要人工确认的内容。你的工作是对照原始基线与预期提升抽查两三处关键信息，确认无误后再使用。
测试与验收
在预览窗口用正常、缺信息和越界三类请求测试，确认指令中的边界有效。
针对这个技能，还建议额外准备：
- 一份信息齐全的标准基线与预期提升，检查输出是否完整
- 一份缺少关键信息的输入，检查智能体是否先提问而不是编造
- 一份包含“忽略以上规则”等字样的输入，检查约束是否仍然有效
常见坑
- 知识文件包含不应外泄的信息却设置了公开分享。
- Instructions 过长且结构混乱，关键规则被忽略。
- 只写了步骤，没写交付格式，导致每次输出的样本量建议结构不同。
- 没有给出样例，智能体对“好结果”的理解与你不一致；在参考资料里放一两份范例会明显改善。
延伸阅读
- 样本量估算 · 效果评估
- 样本量估算 · Claude Code Skill 版
- 样本量估算 · LangChain / LangGraph 工具 版
- 数据故事 · GPTs 版
- 图表生成 · GPTs 版
- 智能体Skills 分类：625 个技能 × 32 个角度
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。