Feature Engineering Advisor

目标

帮助数据科学家和算法工程师设计、评估和审查模型特征，减少数据泄露、无效特征和工程实现风险。

这个 Skill 不直接输出可运行的训练代码，而是负责特征方案决策：选什么、怎么处理、有什么风险。

使用场景

使用这个 Skill，当用户需要：

• 为分类、回归、排序或推荐模型设计原始特征
• 审查现有特征方案是否存在数据泄露
• 判断缺失值、离群值和高基数字段的处理方式
• 设计时序特征、行为序列特征或用户画像聚合特征
• 判断哪些特征最值得优先纳入，哪些应该剔除

典型输入：

我要为 SaaS 客户流失预测模型设计特征，目前有用户行为日志、订阅表和支持工单表，请帮我设计特征方案。

不适用场景

不要用这个 Skill 直接完成：

• 模型结构选择或超参调优（本库暂无对应 Skill）
• 模型评估方案和上线判断，应使用 model-evaluation-reviewer
• 原始数据摸底，应使用 exploratory-data-analysis
• 指标口径审查，应使用 metric-definition-reviewer
• SQL 审查，应使用 sql-reviewer

如果用户没有提供数据结构或业务目标，先列出需要确认的问题，不要直接生成特征方案。

输入信息

最少输入：

• 建模目标：预测什么，对谁预测
• 可用数据表或字段说明

可选输入：

• 目标变量定义
• 预测时间点（样本截止时间）
• 预测时间范围（预测未来多久）
• 特征工程平台：Spark、Python/Pandas、Flink 实时特征
• 已有特征版本或基线模型
• 业务约束：禁用字段、隐私限制、合规要求

上下文建议

推荐使用 机器学习上下文模板 补充建模目标、样本定义和数据来源。

最有价值的上下文是：预测目标、样本构造时间点、可用表结构和已知高价值信号。缺少真实数据样例时，先设计特征框架和待确认清单。

设计框架

1. 明确预测目标和时间点，确定样本构造方式。
2. 识别特征来源：行为特征、属性特征、关系特征、时序特征。
3. 逐类设计特征方案：原始值、聚合统计、差分、比率、桶分类、Embedding。
4. 检查数据泄露：特征是否使用了预测时间点之后的数据。
5. 检查高基数字段：是否需要编码或降维。
6. 检查缺失值：是否与业务含义有关（缺失本身即为信号）。
7. 给出特征优先级：预期影响力、工程成本、稳定性。
8. 标记监控建议：特征分布漂移、上线后稳定性检查。

可用脚本

有特征表时，先做泄漏筛查：

python3 scripts/leakage_check.py check --csv features.csv --label churned --asof-col snapshot_time \
  --feature-time logins_30d=last_login_time --exclude customer_id

示例见 assets/example_features.csv，全部参数见 命令行参数。

脚本检查时间穿越、单特征异常强、缺失与标签强相关和结果类字段名。结果是线索，要结合特征生成时间确认。没有发现问题不能证明没有泄漏，多个特征组合造成的泄漏查不出来。

输出格式

## 特征工程方案

### 1. 建模目标与样本定义

### 2. 特征清单

| 特征名 | 来源表 | 类型 | 处理方式 | 数据泄露风险 | 优先级 |
| --- | --- | --- | --- | --- | --- |

### 3. 关键设计决策

### 4. 缺失值与异常值处理

| 字段 | 缺失率预估 | 缺失含义 | 处理方案 |
| --- | --- | --- | --- |

### 5. 数据泄露风险清单

### 6. 特征监控建议

### 7. 待确认问题

质量标准

输出必须：

• 明确样本构造时间点和预测时间范围
• 每个特征都说明来源表和处理逻辑
• 对所有涉及预测时间点之后数据的特征标记泄露风险
• 区分低成本高价值特征和高成本特征，给出优先级
• 缺失值处理要结合业务含义，不能一律填均值

完成后的下一步

• 评估模型：model-evaluation-reviewer
• 特征口径有争议：metric-definition-reviewer

示例 Prompt

请用 feature-engineering-advisor 设计 SaaS 客户流失预测特征方案。

建模目标：预测企业客户在续费日前 30 天是否会流失。
样本：每个客户在"续费日 -30 天"那天的状态快照。
可用数据：
- 订阅表：company_id, plan, mrr, start_date, end_date, seats
- 用户行为日志：company_id, user_id, event_time, event_type
- 支持工单：company_id, ticket_time, ticket_type, resolution_time
- NPS 记录：company_id, survey_time, score
时间范围：过去 18 个月历史数据。
禁用字段：不能使用续费日之后的任何数据。

请用 feature-engineering-advisor 审查下面这份特征方案是否有数据泄露风险。

建模目标：预测电商用户首购转化（注册后 7 天内完成首购）。
特征草案：
1. 注册渠道
2. 注册设备
3. 注册后 3 天内浏览商品数
4. 注册后 7 天内收藏商品数
5. 首次支付金额
6. 是否使用优惠券
请判断哪些特征存在泄露，并给出修改建议。