dummy-dataset

dummy-dataset 技能概览

dummy-dataset 的作用

dummy-dataset 技能可以帮你快速生成逼真的测试数据：CSV、JSON、SQL，或者一个之后可再次生成数据的 Python 脚本。它特别适合需要看起来可信的样本记录的人，比如 QA、演示、种子数据，或原型管道，而不只是随手凑出来的填充内容。dummy-dataset 技能的真正价值在于，你可以直接描述业务领域、字段、行数和约束，让输出可用，而不是一眼就能看出是合成数据。

什么时候适合用这个技能

当你在做 Data Cleaning、产品测试、分析 mockup、表单校验和数据库 seeding，并且需要跨字段看起来一致的数据时，适合使用 dummy-dataset。如果你很在意日期、类别、ID 或真实范围这类关系，它会非常合适。反过来，如果你只是需要一次性的玩具示例，或者任务依赖于生产环境里已经存在的真实 schema，那它就没那么有用。

它和普通做法有什么不同

和泛泛的提示词不同，dummy-dataset 技能从一开始就围绕输出格式和约束来设计。这一点很重要，因为你需要的是能真正导入或执行的数据，而不只是“看起来像那么回事”的内容。关键决策点在于：你想要直接可用的文件，还是可复现的生成脚本；这个技能两者都支持。

如何使用 dummy-dataset 技能

安装 dummy-dataset

在你的 skills 环境中安装 dummy-dataset 技能：

npx skills add phuryn/pm-skills --skill dummy-dataset

安装后，先打开技能文件，先弄清楚它期待什么输入、输出风格是什么，再把它放进更大的工作流里去提问。

先读对文件

先看 SKILL.md，然后再检查 README.md、AGENTS.md、metadata.json，以及环境中如果存在的话，rules/、resources/、references/ 或 scripts/ 目录。对这个仓库来说，SKILL.md 是主要事实来源，因为这个技能本身很紧凑，不依赖配套文件。如果你打算把 dummy-dataset 用在真实工作流里，在要最终输出之前，先读生成模板和示例部分。

给出一个技能能执行的提示词

一条好的 dummy-dataset 使用请求，应该包含数据集用途、字段、行数、格式和约束。比如：“Generate a 500-row dummy-dataset for a SaaS billing app with columns for customer_id, plan, signup_date, churned, and MRR in CSV format; keep IDs unique, dates within the last 18 months, and churned consistent with subscription status.” 这比“做一些样本数据”要好得多，因为它给了技能足够的结构，能让数据集保持可信。

提高输出质量的最佳工作流

最好分两步用这个技能：先定义数据集规格，再检查字段和约束是否现实，然后继续微调。如果你要把 dummy-dataset 用在 Data Cleaning 场景里，可以有意要求边界情况，比如缺失值、重复项、格式错误的 email，或者不一致的日期格式。如果你需要脚本，务必一开始就说明语言和执行环境，这样输出才能和你的工具链匹配。

dummy-dataset 技能常见问题

dummy-dataset 适合生产级风格的测试数据吗？

适合，前提是你需要的是结构可控、看起来可信的模拟记录。dummy-dataset 技能在下游工具依赖字段一致性时很有用，但它仍然是合成数据，所以不应把它当作真实用户数据，也不应把它当作你业务的统计模型。

使用它需要编程知识吗？

不需要。初学者完全可以用自然语言描述数据集，并说明想要的格式来使用 dummy-dataset。输入越精确，结果通常越好，但除非你想要 Python 脚本或 SQL insert 输出，否则不需要写代码。

什么时候不该用这个技能？

当你需要对真实记录做匿名化、需要符合法规的合成数据生成，或者需要一个带敏感约束的生产 schema 精确副本时，不要用 dummy-dataset。在这些情况下，专门的数据管道或具备隐私保护能力的工具，往往比基于提示词的 dummy-dataset 指南更合适。

它比普通提示词更好吗？

通常是的，因为 dummy-dataset 技能会推动你把字段、业务规则和输出格式一起定义。普通提示词往往会漏掉其中一项，结果就是数据乍看没问题，但在导入、测试或校验时出错。

如何改进 dummy-dataset 技能

提供更紧的 dataset 规格

提升质量最大的办法，是按字段和规则来定义业务域，而不是只说一个主题。不要只写“生成客户数据”，而是明确要求像 customer_id、segment、signup_date、lifetime_value、status 这样的字段，再加上规则，例如“lifetime_value 应该随 segment 不同而变化”或“signup_date 不能晚于今天”。这样 dummy-dataset 技能会稳定得多。

加上真正会影响下游的约束

如果你打算清洗、校验或导入这些数据，就要说清楚生成后必须满足什么条件。要提到唯一性、空值比例、日期范围、允许的枚举值、类外键关系，以及格式要求。对于用于 Data Cleaning 的 dummy-dataset，可以故意要求受控错误，这样数据才真正能覆盖你的清洗逻辑。

从缺陷迭代，不要从偏好迭代

拿到第一版输出后，修正重点应该放在真正破坏工作流的地方：列名不对、范围不真实、缺少边界情况，或者格式很难加载。然后只针对一两个具体变化，要求一个修正版 dummy-dataset，不要把整个需求从头复述一遍。这样输出更实用，也能避免为了表面细节而过拟合。