data-engineering-data-driven-feature

数据驱动的功能开发

借助专门负责分析、实施和实验的 Agent，根据数据洞察、A/B 测试和持续测量来构建功能。

[扩展思考：此工作流编排了全面的数据驱动开发流程，从初始数据分析和假设制定，到集成分析功能的功能实现、A/B 测试基础设施搭建以及上线后分析。每个阶段都由专门的 Agent 协助，确保功能基于数据洞察构建、正确埋点以便测量，并通过受控实验进行验证。此工作流强调现代产品分析实践、严谨的统计测试，以及从用户行为中持续学习。]

适合使用此技能的情况

• 处理数据驱动的功能开发任务或工作流
• 需要数据驱动功能开发方面的指导、最佳实践或检查清单

不适合使用此技能的情况

• 任务与数据驱动的功能开发无关
• 需要使用此范围之外的其他领域知识或工具

说明

• 明确目标、限制条件和所需输入。
• 应用相关最佳实践并验证结果。
• 提供可执行的步骤和验证方法。

以下任务／Agent 名称和配置仅用于说明编排接口，并不保证已安装相应工具。分析范围应限于获得必要授权的事件，并遵循获批的数据保留政策；不要记录所有用户输入或敏感会话内容。预先登记主要指标、随机化单位、统计功效／最小可检测效应（MDE）、实验时长以及停止规则和多重检验规则。对于常规固定时长实验，持续查看仪表板上的结果并据此判断显著性，不是有效的停止规则；应使用专门设计的序贯方法，或按照计划的实验时长执行。贝叶斯分析并不会自动缩短决策时间，必须明确指定先验和决策损失。下文的样本量、时间、发布百分比和错误目标均为示例，并非普遍适用的保证。

阶段 1：数据分析与假设制定

1. 探索性数据分析

• 使用 Task 工具，并设置 subagent_type="machine-learning-ops::data-scientist"
• 提示词："针对功能 $ARGUMENTS 执行探索性数据分析。分析现有用户行为数据，识别模式和机会，根据行为划分用户群体，并计算基线指标。使用现代分析工具（Amplitude、Mixpanel、Segment）了解当前用户旅程、转化漏斗和参与度模式。"
• 输出：包含可视化图表、用户群体、行为模式和基线指标的 EDA 报告

2. 业务假设制定

• 使用 Task 工具，并设置 subagent_type="business-analytics::business-analyst"
• 上下文：数据科学家的 EDA 发现和行为模式
• 提示词："根据数据分析结果，为功能 $ARGUMENTS 制定业务假设。明确成功指标、对关键业务 KPI 的预期影响、目标用户群体和最小可检测效应。使用 ICE 评分或 RICE 优先级排序等框架制定可衡量的假设。"
• 输出：假设文档、成功指标定义和预期 ROI 计算

3. 统计实验设计

• 使用 Task 工具，并设置 subagent_type="machine-learning-ops::data-scientist"
• 上下文：业务假设和成功指标
• 提示词："为功能 $ARGUMENTS 设计统计实验。计算达到统计功效所需的样本量，定义对照组和实验组，明确随机化策略，并规划多重检验校正。考虑使用贝叶斯 A/B 测试方法加快决策。为主要指标和护栏指标设计实验。"
• 输出：实验设计文档、功效分析和统计检验计划

阶段 2：功能架构与分析设计

4. 功能架构规划

• 使用 Task 工具，subagent_type="data-engineering::backend-architect"
• 上下文：业务需求和实验设计
• 提示词："为以下功能设计架构：$ARGUMENTS，并支持 A/B 测试。包括功能标志集成（LaunchDarkly、Split.io 或 Optimizely）、渐进式发布策略、安全保护用的熔断器，以及控制组和实验组逻辑的清晰分离。确保架构支持实时配置更新。"
• 输出：架构图、功能标志架构、发布策略

5. 分析埋点设计

• 使用 Task 工具，subagent_type="data-engineering::data-engineer"
• 上下文：功能架构和成功指标
• 提示词："为以下功能设计全面的分析埋点：$ARGUMENTS。定义用户交互事件架构，指定用于细分和分析的属性，设计漏斗跟踪和转化事件，并规划队列分析功能。使用现代 SDK（Segment、Amplitude、Mixpanel）实现，并制定规范的事件分类体系。"
• 输出：事件跟踪计划、分析架构、埋点指南

6. 数据管道架构

• 使用 Task 工具，subagent_type="data-engineering::data-engineer"
• 上下文：分析需求和现有数据基础设施
• 提示词："为以下功能设计数据管道：$ARGUMENTS。包括用于实时指标的流处理（Kafka、Kinesis）、用于详细分析的批处理、数据仓库集成（Snowflake、BigQuery），以及适用时供 ML 使用的特征库。确保数据治理得当并符合 GDPR 要求。"
• 输出：管道架构、ETL/ELT 规范、数据流图

阶段 3：带埋点的实现

7. 后端实现

• 使用 Task 工具，subagent_type="backend-development::backend-architect"
• 上下文：架构设计和功能需求
• 提示词："为以下功能实现后端：$ARGUMENTS，并添加完整的埋点。在决策点加入功能标志检查，对所有用户操作进行全面的事件跟踪，收集性能指标，并进行错误跟踪和监控。实现适用于实验分析的日志记录。"
• 输出：包含分析功能、功能标志集成和监控配置的后端代码

8. 前端实现

• 使用 Task 工具，subagent_type="frontend-mobile-development::frontend-developer"
• 上下文：后端 API 和分析需求
• 提示词："为以下功能构建前端：$ARGUMENTS，并添加分析跟踪。为所有用户交互实现事件跟踪；如适用，集成会话录制；收集性能指标（Core Web Vitals）；并设置适当的错误边界。确保控制组和实验组的体验一致。"
• 输出：包含分析功能、A/B 测试变体和性能监控的前端代码

9. ML 模型集成（如适用）

• 使用 Task 工具，subagent_type="machine-learning-ops::ml-engineer"
• 上下文：功能需求和数据管道
• 提示词："如有需要，为以下功能集成 ML 模型：$ARGUMENTS。实现低延迟的在线推理、不同模型版本之间的 A/B 测试、模型性能跟踪和自动回退机制。设置模型监控以检测漂移。"
• 输出：ML 流水线、模型服务基础设施、监控配置

阶段 4：上线前验证

10. 分析验证

• 使用 Task 工具，subagent_type="data-engineering::data-engineer"
• 上下文：已实现的跟踪功能和事件架构
• 提示词："验证以下功能的分析实现：$ARGUMENTS。在预发布环境中测试所有事件跟踪，检查数据质量和完整性，验证漏斗定义，并确保正确识别用户和跟踪会话。对数据管道进行端到端测试。"
• 输出：验证报告、数据质量指标、跟踪覆盖率分析

11. 实验设置

• 使用 Task 工具，subagent_type="cloud-infrastructure::deployment-engineer"
• 上下文：功能标志与实验设计
• 提示词："为以下内容配置实验基础设施：$ARGUMENTS。设置具有恰当定向规则的功能标志，配置流量分配（从 5-10% 开始），实现紧急停用开关，为关键指标设置监控告警。测试随机化和分配逻辑。"
• 输出：实验配置、监控仪表板、发布计划

阶段 5：发布与实验

12. 渐进式发布

• 使用 Task 工具，subagent_type="cloud-infrastructure::deployment-engineer"
• 上下文：实验配置和监控设置
• 提示词："为功能执行渐进式发布：$ARGUMENTS。先由内部用户试用，然后面向 Beta 用户（1-5%），再逐步提升至目标流量。监控错误率、性能指标和早期信号。出现异常时执行自动回滚。"
• 输出：发布执行情况、监控告警、健康指标

13. 实时监控

• 使用 Task 工具，subagent_type="observability-monitoring::observability-engineer"
• 上下文：已部署的功能和成功指标
• 提示词："为以下内容设置全面监控：$ARGUMENTS。创建实验指标的实时仪表板，配置统计显著性告警，监控防护指标是否受到负面影响，并跟踪系统性能和错误率。使用 Datadog、New Relic 或自定义仪表板等工具。"
• 输出：监控仪表板、告警配置、SLO 定义

阶段 6：分析与决策

14. 统计分析

• 使用 Task 工具，subagent_type="machine-learning-ops::data-scientist"
• 上下文：实验数据和原始假设
• 提示词："分析以下内容的 A/B 测试结果：$ARGUMENTS。计算统计显著性和置信区间，检查各细分群体的效果，分析对次要指标的影响，并调查任何意外模式。结合使用频率学派和贝叶斯方法。适用时，对多重检验进行校正。"
• 输出：统计分析报告、显著性检验、细分群体分析

15. 业务影响评估

• 使用 Task 工具，subagent_type="business-analytics::business-analyst"
• 上下文：统计分析和业务指标
• 提示词："评估功能的业务影响：$ARGUMENTS。计算实际 ROI 与预期 ROI 的差异，分析对关键业务指标的影响，评估成本效益（包括运营开销），并预测长期价值。建议全面发布、迭代还是回滚。"
• 输出：业务影响报告、ROI 分析、建议文档

16. 发布后优化

• 使用 Task 工具，subagent_type="machine-learning-ops::data-scientist"
• 上下文：发布结果和用户反馈
• 提示词："根据数据找出以下内容的优化机会：$ARGUMENTS。分析实验组的用户行为模式，找出用户旅程中的阻碍点，根据数据提出改进建议，并规划后续实验。使用群组分析评估长期影响。"
• 输出：优化建议、后续实验计划

配置选项

experiment_config:
  min_sample_size: 10000
  confidence_level: 0.95
  runtime_days: 14
  traffic_allocation: "gradual"  # gradual, fixed, or adaptive

analytics_platforms:
  - amplitude
  - segment
  - mixpanel

feature_flags:
  provider: "launchdarkly"  # launchdarkly, split, optimizely, unleash

statistical_methods:
  - frequentist
  - bayesian

monitoring:
  - real_time_metrics: true
  - anomaly_detection: true
  - automatic_rollback: true

成功标准

• 数据覆盖：跟踪必要且已获批准的事件，并使用经过验证的架构和隐私控制
• 实验有效性：随机化恰当、统计功效充足、无样本比例失配
• 统计严谨性：明确进行显著性检验、使用恰当的置信区间、校正多重检验
• 业务影响：目标指标有可衡量的提升，且防护指标没有恶化
• 技术性能：p95 延迟没有下降，错误率低于 0.1%
• 决策速度：在计划的实验运行时间内明确作出继续或停止的决定
• 经验总结：记录可用于未来功能开发的见解

协作说明

• 数据科学家和业务分析师协作制定假设
• 工程师将分析作为首要要求进行实现，而非事后补充
• 功能标志可在无需完整部署的情况下安全地开展实验
• 实时监控有助于快速迭代，并在需要时回滚
• 在统计严谨性、业务实用性和上市速度之间取得平衡
• 持续学习循环将经验反馈到下一轮功能开发中

采用数据驱动方法开发的功能：$ARGUMENTS

限制

• 仅当任务明确符合上述范围时，才使用此技能。
• 请勿将输出视为环境特定验证、测试或专家审查的替代方案。
• 如果缺少必要的输入、权限、安全边界或成功标准，请暂停并寻求澄清。