القائمة
当用户想系统评估一个AI项目是否值得投入时使用，结合概念简单性和数据充足性两个维度。 用户在问"这个想法可行吗"、"我们需要多少数据"、"技术上能做到吗"时激活。 不适用于: 纯数据科学洞察项目、探索性分析、已明确不需要AI的场景。
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/kangarooking/ai-for-everyone-skill --skill ml-feasibilityيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
استنادا إلى تصنيف SOC المهني
عرض SKILL.md
| name | ml-feasibility |
| description | 当用户想系统评估一个AI项目是否值得投入时使用，结合概念简单性和数据充足性两个维度。 用户在问"这个想法可行吗"、"我们需要多少数据"、"技术上能做到吗"时激活。 不适用于: 纯数据科学洞察项目、探索性分析、已明确不需要AI的场景。 |
Original cangjie-skill frontmatter from the distillation run:
name: ml-feasibility
description: |
当用户想系统评估一个AI项目是否值得投入时使用，结合概念简单性和数据充足性两个维度。
用户在问"这个想法可行吗"、"我们需要多少数据"、"技术上能做到吗"时激活。
不适用于: 纯数据科学洞察项目、探索性分析、已明确不需要AI的场景。
source_book: 《给所有人的AI入门课》 吴恩达 (Andrew Ng)
source_chapter: p06, p07
tags: [feasibility, task-evaluation, data-requirements, prioritization]
related_skills:
- slug: ab-mapping
relation: depends-on
- slug: one-second-rule
relation: composes-with
- slug: triple-due-diligence
relation: depends-on
"学习简单概念更可能成功...只需不到一秒的思考...其次数据充足更易实现。"
— 吴恩达, p06
机器学习项目的成功取决于两个独立但都必要的因素： 第一，概念简单性——人类能否在不到一秒内做出所需判断？简单概念对应着模式清晰、边界明确的任务，AI 容易学习。 第二，数据充足性——你是否有足够多的已标注 (A, B) 样本？数据是 AI 学习的燃料，再简单的任务没有数据也无法训练。 两个因素构成一个 2×2 矩阵：
one-second-rule 的区别: 一秒法则只评估"概念简单性"这一个因素，双因素框架增加了"数据充足性"维度，是更完整的评估。ab-mapping 的区别: A→B 映射是把问题形式化，双因素框架是在形式化之后评估可行性。triple-due-diligence 的区别: 三重尽职调查是更深入的全面评估（技术+商业+伦理），双因素框架是快速可行性判断。当 skill 被激活后, agent 应按以下步骤执行:
评估概念简单性
评估数据充足性
给出 2×2 矩阵定位和行动建议