技能简介

davila7/senior-data-scientist 是一项为 Claude、Codex 与 Claude Code 设计的数据科学项目方法论 Skill，质量评分 81（silver 等级），已通过 Skillstore 完整审计（2026-07-23）。它面向实验设计、特征工程、模型评估与生产规划四大场景，提供可复用的检查清单、参考模式与 CLI 脚手架，帮助数据科学家在动手写代码前先对齐目标、指标与风险。Skill 强调"先规划后实现"，特别适合需要在 A/B 测试、因果推断、ML 系统上线等关键节点做严肃评审的团队。

核心能力

系统化梳理生产规划，覆盖可扩展性、可靠性、可观测性、安全、部署与监控六大维度，避免上线后才发现隐患。
总结实验设计、特征工程与高级统计工作的通用原则，让模型选型与显著性判断有据可依。
提供 3 个 Python CLI 脚手架，自动解析路径、记录生命周期时间戳并输出状态报告，方便项目自检。
整理测试、格式化、训练、部署与监控相关的示例命令，作为团队标准化操作的参考起点。
框定技术 Leader 角色在数据科学项目中的职责，附带示例化的生产系统性能目标。
配合 Prompt 模板做实验计划、特征计划、生产 ML 系统评审，支持结构化讨论。

安装配置

使用 Skillstore CLI 一键安装：npx skillstore add davila7/senior-data-scientist。
建议本地准备好 Python 3.10+ 与项目级虚拟环境，便于运行 CLI 脚手架与示例命令。
在 Claude Code 中将 Skill 路径加入 ~/.claude/settings.json 的 skill_dirs，确保模型可自动调用。
若团队已有 feature store、MLflow 或类似平台，可在仓库 README 中标注，让 Skill 提示用户引用对应配置。

使用步骤

明确业务问题与目标变量，调用"评审数据科学问题"模板梳理目标、数据、假设、风险与下一步动作。
围绕 A/B 测试或观察性研究，使用"制定实验计划"模板定义假设、实验单位、对照组、指标、样本与有效性风险。
在建模前用"设计特征计划"模板梳理转换、泄露防护、缺失值处理、编码、校验、监控与生产一致性。
上线前调用"评估生产 ML 系统"模板，对架构、评估方法、部署控制、漂移监控、隐私与回滚逐项打分。
运行 CLI 脚手架，校验目录结构与生命周期时间戳是否符合预期，必要时补齐 README、Notebook 与文档。
由数据科学 Lead 与工程 SRE 联合签字后再进入部署、监控与复盘阶段。

适用场景

启动新的 A/B 测试或观察性研究，需要结构化梳理假设与指标。
模型进入生产前需要严肃的可观测性、隐私、回滚与监控方案评审。
团队希望统一多个数据科学项目的目录结构、命名约定与生命周期记录。
资深数据科学家希望把经验沉淀为可复用的检查清单与 CLI 工具。
跨职能协作中需要让产品、工程、合规共同理解实验边界与风险。
教学与导师制中带新人按既定方法论推进数据科学项目。

适用人群

资深数据科学家、机器学习工程师、数据科学 Lead、MLOps 团队、产品分析师与希望沉淀团队方法论的 Tech Lead。

工作原理

Skill 通过"原则 + 模板 + CLI"三层协同：原则层提供实验设计、特征工程、生产规划的高阶框架；模板层把原则映射为可填空的实验计划、特征计划、生产评审三套 Prompt；CLI 层提供路径解析、时间戳记录与状态报告等脚手架命令。Claude 调用时，Skillstore 会先注入原则与上下文，让模型按字段填空并反向校验是否触犯 Anti-Pattern（误把 CLI 当作真实统计工具、跳过隐私评审等），保证产物既可执行又符合工程规范。

官方链接

团队信息

AI产品库官方

由 AI 猎手自动发现

评论与建议

0 条评论