用途
数据驱动功能开发（Data-Driven Feature Development）技能用于指导以数据洞察、A/B 测试和持续度量为核心的功能构建流程。当任务属于数据驱动功能开发相关工作流，或需要该领域的最佳实践、指导与清单时使用。若任务与该主题无关，或需要一个超出此范围的领域或工具，则不应使用该技能。
主要能力
该技能以分阶段工作流组织，每个阶段调用不同类型的专业化代理完成任务，主要分为六个阶段：
阶段 1：数据分析与假设形成
- 探索性数据分析（EDA）：使用 data-scientist 代理，分析现有用户行为数据，识别模式与机会，按行为划分用户群，计算基线指标。输出为含可视化的 EDA 报告、用户分群、行为模式与基线指标。
- 业务假设开发：使用 business-analyst 代理，基于数据分析定义清晰的成功指标、对关键业务 KPI 的预期影响、目标用户群与最小可检测效应，可使用 ICE 评分或 RICE 优先级框架。输出为假设文档、成功指标定义与预期 ROI 计算。
- 统计实验设计：使用 data-scientist 代理，计算达到统计功效所需的样本量，定义对照组与实验组、随机化策略，并规划多重检验校正，考虑贝叶斯 A/B 测试方法，兼顾主指标与护栏指标。输出为实验设计文档、功效分析与统计检验计划。
阶段 2：功能架构与埋点设计
- 功能架构规划：使用 backend-architect 代理，设计具备 A/B 测试能力的功能架构，包含功能开关集成、渐进式发布策略、熔断保护以及对照组与实验组逻辑的清晰分离。
- 埋点设计：使用 data-engineer 代理，定义用户交互事件 schema、用于分群分析的属性，设计漏斗跟踪与转化事件，规划队列分析能力。
- 数据管道架构：使用 data-engineer 代理，设计实时流处理、批处理、数据仓库集成，以及适用时的 ML 特征存储，并确保数据治理与合规。
阶段 3：带埋点的实现
- 后端实现（backend-architect 代理）：在决策点加入功能开关检查、完整事件追踪、性能指标采集、错误追踪与监控。
- 前端实现（frontend-developer 代理）：实现所有用户交互的事件追踪、会话录制集成（如适用）、性能指标（Core Web Vitals）与错误边界，确保对照组与实验组体验一致。
- ML 模型集成（如适用，ml-engineer 代理）：低延迟在线推理、模型版本间的 A/B 测试、模型性能追踪与自动回退机制。
阶段 4：上线前验证
- 埋点验证：在预发环境测试所有事件追踪，验证数据质量与完整性、漏斗定义、用户识别与会话跟踪。
- 实验配置：设置功能开关的定向规则、流量分配（从 5-10% 开始）、终止开关与关键指标监控告警，测试随机化与分配逻辑。
阶段 5：发布与实验
- 渐进式发布：从内部试用开始，再到 beta 用户（1-5%），逐步提升至目标流量，监控错误率、性能指标与早期信号，支持异常自动回滚。
- 实时监控：创建实验指标的实时看板，配置统计显著性告警，监控护栏指标，跟踪系统性能与错误率。
阶段 6：分析与决策
- 统计分析：计算带置信区间的统计显著性，检查分群层面的效应，分析次要指标影响，可同时使用频率派与贝叶斯方法。
- 业务影响评估：计算实际与预期 ROI，评估对关键业务指标的影响与成本收益，给出全面上线、迭代或回滚的建议。
- 发布后优化：分析实验组用户行为模式，识别用户旅程中的摩擦点，提出改进建议并规划后续实验。
使用方式
技能以指令形式运行，要求：澄清目标、约束与所需输入；应用相关最佳实践并验证结果；提供可执行步骤与验证方式。工作流通过 Task 工具调用不同 subagent_type 的代理完成各阶段任务，并用 $ARGUMENTS 表示待开发功能。
配置项包括：实验配置（最小样本量、置信水平、运行天数、流量分配策略 gradual/fixed/adaptive）、分析平台（amplitude、segment、mixpanel）、功能开关提供方（launchdarkly、split、optimizely、unleash）、统计方法（频率派、贝叶斯）、监控（实时指标、异常检测、自动回滚）。这些是配置示例值，实际取值需按环境确定。
适用场景
适用于需要在功能开发全流程中融入数据分析、埋点、A/B 测试与持续度量的团队与项目，尤其是希望以数据洞察驱动产品决策、以受控实验验证功能效果的场景。
成功标准与协作要点
成功标准涉及：数据覆盖（100% 用户交互按事件 schema 追踪）、实验有效性（随机化正确、统计功效充足、无样本比例不匹配）、统计严谨性、业务影响、技术性能（p95 延迟不退化、错误率低于 0.1%）、决策速度与学习成果沉淀。协作上强调数据科学家与业务分析师共同形成假设，工程师将埋点作为第一等需求，功能开关支持安全实验，实时监控支持快速迭代与回滚，并在统计严谨与业务实用性之间取得平衡。
限制
仅当任务明确符合上述范围时使用本技能。输出不应替代针对具体环境的验证、测试或专家评审。若缺少所需输入、权限、安全边界或成功标准，应停止并请求澄清。示例中的样本量、置信水平、运行天数、流量分配比例、错误率阈值与工具名称均为技能文档中的配置示例或备选，具体实施参数与工具可用性暂未提供进一步说明。