配对 Skill（Pairwise Skills）

定义

Anthropic 数据团队的 Skill 设计模式：用一对协作的 Skill 分别承载声明性知识与程序性知识——若真相源是 Agent 的声明性知识（一个指标"是什么"），那么 Skill 就是其程序性知识（按什么顺序查哪些源、如何在歧义数据里导航、一份完成的分析长什么样）。

要点

• knowledge skill（知识技能）：充当薄的顶层路由器——"先试语义层；若无覆盖，这里有约 30 个本域 reference 文件描述相关表/列/连接/坑"。这是对检索失败的回答：与其让 Agent 搜百万字段的仓库，不如在写查询前先把空间收窄到几十个 curated 文件（渐进式披露 的应用）。
• unbook skill（流程技能）：编码资深分析师会走的流程——澄清问题 → 找源（经 knowledge skill）→ 跑查询 → 让结果过对抗式 review 子 Agent；并捆绑一打可复用分析模式（留存曲线、率分解、漏斗分析），避免每次重造轮子。
• 没有 Skills，Claude 在 evals 上的分析准确率不超过 21%；加上 Skills 稳定在 95%+、某些域常在 99%。
• Skill 维护是一等公民：Skill 文档描述每天变化的数据模型，不主动维护几周内就过时（团队曾眼看离线准确率从 ~95% 漂到 ~65%）。对策：把 skill markdown 与转换模型放进同一 repo，"改模型的 PR 就是更新文档的 PR"，code-review hook 标记任何未触碰 skill 文件的报表模型改动——~90% 的数据模型 PR 现在同 diff 里含 skill 改动。

示例

reference 文档为 LLM 检索而写：描述表（粒度、范围、排除）、坑的机制（"排除已知免费邮箱域，但保留 anthropic.com 这类自定义域"）、显式路由触发器（"IF 问的是实验提升…DO NOT 用于原始事件计数"），但不写会过时的处方式 recipe。

相关概念

• 数据不是软件
• 代理式分析三失败模式
• 渐进式披露
• Skills系统
• 知识编译与检索

参考资料

• Anthropic《How Anthropic enables self-service data analytics with Claude》