Tool 与 Skill 两层能力架构
以 Java Tool 封装稳定的原子查询能力，以 Skill 承担意图触发、参数补全、候选消歧、受控分页与多 Tool 流程编排。本人完成 6 个 Tool 与 10 项 Skill 的需求、设计、开发、测试和发布闭环。
正在加载项目…
项目案例
滴滴数据工程部实习项目：让自然语言直达埋点与应用分析数据
业务背景
面向数据产品、研发、分析师和运营的数据查询场景，依托团队已有 MCP 技术底座，将原本分散在多个后台页面的埋点、需求、应用分析与基础元信息能力封装为标准化 Tool，再通过 Skill 完成自然语言意图识别、参数补全、候选消歧、分页和跨 Tool 流程编排。
系统设计
自然语言问题 ↓ Skill 层：意图识别 / 参数补全 / 候选消歧 / 流程编排 ↓ MCP Streamable HTTP：tools/list / tools/call ↓ Tool Handler：Schema 校验 / 名称解析 / 路由与聚合 ↓ Omega API：埋点 / 需求 / 应用分析 / 基础元信息 ↓ 结构化裁剪结果 + 可解释错误
工程决策
以 Java Tool 封装稳定的原子查询能力，以 Skill 承担意图触发、参数补全、候选消歧、受控分页与多 Tool 流程编排。本人完成 6 个 Tool 与 10 项 Skill 的需求、设计、开发、测试和发布闭环。
针对 Web、Native、小程序在参数和响应上的差异，建立统一参数模型与显式路由；通过页面参数白名单、枚举标准化、名称到唯一 ID 的精确解析和 fail-closed 校验，阻止模型混参或静默忽略无效条件。
围绕必填、枚举、边界日期、候选歧义、空结果、下游异常、分页和多视图路由建立测试矩阵。原 5 个 Tool 有 202 项定向测试记录，第 6 个 Tool 另有 42 项定向测试；复杂应用分析能力还以 468 组参数组合建立行为基线。
通过 468 组参数组合回归验证，复杂场景调用成功率达到 99%；自研 Skill 在内部 SkillHub 累计安装 94 次，服务 32 个业务团队。优化后常规埋点查询耗时由最长 5 分钟缩短至约 20 秒，同类数据分析需求交付周期缩减 70%。
结果说明
完成 6 个核心 Tool 和 10 项 Skill 的设计、开发、测试与发布，形成从自然语言提问到结构化数据查询的完整链路。围绕多端、多视图和复杂参数组合完成 468 组回归验证，已覆盖场景的调用成功率达到 99%；自研 Skill 在内部 SkillHub 累计安装 94 次，服务 32 个业务团队。常规埋点查询耗时由最长约 5 分钟缩短至约 20 秒，同类数据分析需求的交付周期缩减 70%。