In meinem letzter Artikelhabe ich erklärt, wie Sie MCP verwenden, um LLMs in Ihren gesamten Knowledge-Science-Workflow zu integrieren. Ich habe auch kurz eine andere erwähnt.
Ein Talent ist ein wiederverwendbares Paket aus Anweisungen und optionalen unterstützenden Dateien. Es hilft der KI, wiederkehrende Arbeitsabläufe zuverlässiger und konsistenter abzuwickeln. Es braucht mindestens eine SKILL.md Datei mit Metadaten (Title und Beschreibung) und detaillierten Anweisungen zur Funktionsweise des Abilities. Zur Standardisierung und Genauigkeit wird es oft mit Skripten, Vorlagen und Beispielen gebündelt.
An dieser Stelle fragen Sie sich vielleicht, warum wir Fähigkeiten nutzen, anstatt das Ganze einfach direkt in den Claude Code- oder Codex-Kontext zu schreiben. Ein Vorteil besteht darin, dass Fähigkeiten dazu beitragen, den Hauptkontext kürzer zu halten. Die KI muss zunächst nur die kompakten Metadaten laden – sie kann die restlichen Anweisungen und gebündelten Ressourcen lesen, wenn sie entscheidet, dass die Fähigkeit related ist. Eine große öffentliche Sammlung von Fähigkeiten finden Sie unter Fähigkeiten.sh.
Lassen Sie mich die Idee anhand eines einfachen Beispiels konkretisieren.
Mein Beispiel – Wöchentliche Visualisierungsfähigkeit
Kontext
Seit 2018 erstelle ich jede Woche eine Visualisierung – wenn Sie neugierig sind, habe ich hier über meine Reise geschrieben Artikel. Dieser Vorgang ist sehr repetitiv und dauert normalerweise etwa eine Stunde professional Woche. Daher hielt ich es für einen großartigen Kandidaten für die Automatisierung mit Fähigkeiten.
Workflow ohne KI
Hier ist meine wöchentliche Routine:
- Finden Sie einen Datensatz, der mich interessiert. Zu den Web sites, auf denen ich mich normalerweise inspirieren lasse, gehören: Tableauvisualisierung des Tages, Voronoi, die Economics Every day von BLS, r/dataisbeautifulusw.
- Öffnen Sie Tableau, spielen Sie mit den Daten, finden Sie Erkenntnisse und erstellen Sie eine Visualisierung, die die Geschichte intuitiv erzählt.
- Veröffentlichen Sie es auf meine persönliche Web site.
KI-Workflow
Während der Schritt der Datensatzsuche immer noch manuell erfolgt, habe ich zwei Fähigkeiten erstellt, um die Schritte 2 und 3 zu automatisieren:
- A Geschichtenerzählen-nämlich Fähigkeit, den Datensatz zu analysieren, Erkenntnisse zu identifizieren, Visualisierungstypen vorzuschlagen und eine interaktive Visualisierung zu generieren, die intuitiv, prägnant und auf das Geschichtenerzählen ausgerichtet ist.
- A nämlich-veröffentlichen Fähigkeit, die die Visualisierung als eingebettetes HTML auf meiner Web site veröffentlicht – ich werde diese nicht weitergeben, da sie sehr spezifisch für die Repo-Struktur meiner Web site ist.
Unten sehen Sie ein Beispiel, bei dem ich die Storytelling-Viz-Fertigkeit in Codex Desktop ausgelöst habe. Ich habe den gleichen Apple Well being-Datensatz verwendet wie Letztes Malindem er Codex auffordert, die Daten aus der Google BigQuery-Datenbank abzufragen und dann den Talent zum Generieren einer Visualisierung zu verwenden. Es struggle in der Lage, Einblicke in die jährliche Trainingszeit im Vergleich zum Kalorienverbrauch zu gewinnen und einen Diagrammtyp mit Begründung und Kompromissen zu empfehlen.
Der gesamte Vorgang dauerte weniger als 10 Minutenund hier ist die Ausgabe – sie beginnt mit einer erkenntnisbasierten Überschrift, gefolgt von einer klaren interaktiven Visualisierung, Vorbehalten und der Datenquelle. Ich habe die Fähigkeit mit meinen letzten wöchentlichen Visualisierungen getestet, und weitere Visualisierungsbeispiele finden Sie im Talent-Repo.
Wie ich es tatsächlich gebaut habe
Nachdem wir uns nun die Ausgabe angesehen haben, möchte ich Ihnen erklären, wie ich den Talent erstellt habe.
Schritt 1: Beginnen Sie mit einem Plan
Wie ich in meinem letzten Artikel erwähnt habe, möchte ich vor der Umsetzung zunächst einen Plan mit KI ausarbeiten. Hier begann ich mit der Beschreibung meines wöchentlichen Visualisierungsworkflows und meines Ziels, ihn zu automatisieren. Wir besprachen den Tech-Stack, die Anforderungen und wie „gute“ Ergebnisse aussehen sollten. Dies führt zu meiner allerersten Model der Fertigkeit.
Das Schöne daran ist, dass Sie die SKILL.md-Datei nicht manuell erstellen müssen – bitten Sie einfach Claude Code oder Codex, einen Talent für Ihren Anwendungsfall zu erstellen, und es kann die ursprüngliche Model für Sie booten (es löst einen Talent aus, um einen Talent zu erstellen).
Schritt 2: Testen und iterieren
Mit der ersten Model erreichte ich jedoch nur 10 % meines idealen Visualisierungsworkflows – sie konnte Visualisierungen generieren, aber die Diagrammtypen waren oft nicht optimum, die visuellen Stile waren inkonsistent und die wichtigsten Erkenntnisse wurden nicht immer hervorgehoben usw.
Diese verbleibenden 90 % erforderten iterative Verbesserungen. Hier sind einige Strategien, die geholfen haben.
1. Teile mein eigenes Wissen
In den letzten acht Jahren habe ich meine eigenen Finest Practices und Präferenzen für die Visualisierung entwickelt. Ich wollte, dass die KI diesen Mustern folgt, anstatt jedes Mal einen anderen Stil zu erfinden. Deshalb habe ich meine Visualisierungs-Screenshots zusammen mit meiner Stilanleitung geteilt. AI struggle in der Lage, die gemeinsamen Prinzipien zusammenzufassen und die Fertigkeitsanweisungen entsprechend zu aktualisieren.
2. Recherchieren Sie externe Ressourcen
Es gibt on-line so viele Ressourcen über gutes Datenvisualisierungsdesign. Ein weiterer nützlicher Schritt, den ich unternommen habe, bestand darin, AI zu bitten, bessere Visualisierungsstrategien aus bekannten Quellen und ähnlichen öffentlichen Fähigkeiten zu recherchieren. Dadurch wurden Perspektiven hinzugefügt, die ich selbst nicht explizit dokumentiert hatte, und die Fertigkeit skalierbarer und robuster gemacht.
3. Lernen Sie aus Checks
Checks sind unerlässlich, um Verbesserungsbereiche zu identifizieren. Ich habe diese Fähigkeit mit mehr als 15 verschiedenen Datensätzen getestet, um zu beobachten, wie sie sich verhält und wie ihre Ausgabe im Vergleich zu meinen eigenen Visualisierungen ist. Dieser Prozess hat mir geholfen, konkrete Aktualisierungen vorzuschlagen, wie zum Beispiel:
- Standardisierung der Schriftartenauswahl und des Layouts
- Überprüfen Sie die Desktop- und Mobilvorschau, um überlappende Beschriftungen und Anmerkungen zu vermeiden
- Diagramme auch ohne Tooltips verständlich machen
- Fragen Sie immer nach der Datenquelle und verknüpfen Sie diese in der Visualisierung
- …
Hier finden Sie die neueste Model des Storytelling-Viz-Abilities Hier. Spielen Sie gerne damit und lassen Sie mich wissen, wie es Ihnen gefällt 🙂
Erkenntnisse für Datenwissenschaftler
Wenn Fähigkeiten nützlich sind
Mein wöchentliches Visualisierungsprojekt ist nur ein Beispiel, aber Fähigkeiten können in vielen wiederkehrenden Knowledge-Science-Workflows nützlich sein. Sie sind besonders wertvoll, wenn Sie eine Aufgabe haben taucht wiederholt auf, folgt einem halbstrukturierten Prozess, hängt von Domänenkenntnissen ab und ist mit einer einzigen Eingabeaufforderung schwer zu handhaben.
- Untersuchen Sie zum Beispiel die Bewegung der Metrik X. Sie kennen wahrscheinlich bereits die allgemeinen Treiber von
- Ein weiteres Beispiel: Angenommen, Sie planen, ein Experiment in Area A durchzuführen und möchten andere Experimente überprüfen, die in derselben Area ausgeführt werden. In der Vergangenheit haben Sie in Slack nach Schlüsselwörtern gesucht, Google Docs durchforstet und die interne Experimentierplattform geöffnet, um mit der Area getaggte Experimente zu überprüfen. Jetzt können Sie diese allgemeinen Schritte in einem Talent zusammenfassen und LLMs bitten, umfassende Recherchen durchzuführen und einen Bericht über relevante Experimente mit ihren Zielen, Dauer, Verkehr, Standing und Dokumenten zu erstellen.
Wenn Ihr Workflow aus mehreren unabhängigen und wiederverwendbaren Komponenten besteht, sollten Sie diese in separate Fähigkeiten aufteilen. In meinem Fall habe ich zwei Fähigkeiten erstellt – eine zum Generieren der Visualisierung und eine andere zum Veröffentlichen in meinem Weblog. Dadurch werden die Teile modularer und lassen sich später leichter in anderen Arbeitsabläufen wiederverwenden.
Fähigkeiten und MCP arbeiten intestine zusammen. Ich habe BigQuery MCP und die Visualisierungsfähigkeit in einem Befehl verwendet und es wurde erfolgreich eine Visualisierung basierend auf meinen Datensätzen in BigQuery generiert. MCP hilft dem Modell, reibungslos auf die externen Instruments zuzugreifen, und Fähigkeiten helfen ihm, den richtigen Prozess für eine bestimmte Aufgabe zu befolgen. Daher ist diese Kombination kraftvoll und ergänzt sich gegenseitig.
Eine letzte Anmerkung zu meinem wöchentlichen Visualisierungsprojekt
Warum mache ich das immer noch, nachdem ich 80 % meines wöchentlichen Visualisierungsprozesses automatisieren kann?
Als ich 2018 zum ersten Mal mit dieser Gewohnheit begann, bestand das Ziel darin, Tableau zu üben, das das wichtigste BI-Software meines Arbeitgebers struggle. Der Zweck hat sich jedoch im Laufe der Zeit geändert – jetzt nutze ich dieses wöchentliche Ritual, um verschiedene Datensätze zu erkunden, denen ich bei der Arbeit nie begegnen würde, meine Datenintuition und mein Geschichtenerzählen zu schärfen und die Welt durch die Linse der Daten zu sehen. Für mich geht es additionally nicht wirklich um das Werkzeug, sondern um den Entdeckungsprozess. Und deshalb habe ich vor, das auch im KI-Zeitalter weiter zu tun.