菜单
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。
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/kangarooking/ai-for-everyone-skill --skill ml-feasibility命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
正在显示 SKILL.md
基于 SOC 职业分类
| 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