AD data-warehouse-ops
Навык эксплуатации хранилищ данных (Big Data/Data Warehouse) на протяжении всего жизненного цикла. Охватывает определение единого источника фактов, построение ETL/ELT конвейеров, моделирование измерений (звездная схема/снежинка/Data Vault), проверку качества данных, стратегии секционирования, оптимизацию затрат/производительности, управление данными, отслеживание происхождения, мониторинг SLA — 9 основных модулей. Поддерживает основные облачные хранилища данных (BigQuery/Snowflake/Redshift/Databricks/StarRocks/ClickHouse) и цепочки инструментов с открытым исходным кодом (dbt/Airflow/Great Expectations/OpenLineage/DataHub). Триггеры: хранилище данных, DW, ETL, ELT, моделирование измерений, звездная схема, качество данных, стратегии секционирования, оптимизация хранилища данных, управление данными, отслеживание происхождения, мониторинг SLA, эксплуатация хранилища данных, конвейер данных, data warehouse, dimensional modeling, data quality, data lineage.
машинный переводПоказать оригиналСкрыть оригинал«数据仓库（大数据/数仓）全生命周期运维技能。覆盖单一事实来源定义、ETL/ELT管道构建、维度建模（星型模型/雪花模型/Data Vault…»
数据仓库（大数据/数仓）全生命周期运维技能。覆盖单一事实来源定义、ETL/ELT管道构建、维度建模（星型模型/雪花模型/Data Vault）、数据质量检查、分区策略、成本/性能调优、数据治理、血缘追踪、SLA监控9大模块。支持主流云数仓（BigQuery/Snowflake/Redshift/Databricks/StarRocks/ClickHouse）和开源工具链（dbt/Airflow/Great Expectations/OpenLineage/DataHub）。触发词：数据仓库、数仓、DW、ETL、ELT、维度建模、星型模型、数据质量、分区策略、数仓调优、数据治理、血缘追踪、SLA监控、数仓运维、数据管道、data warehouse、dimensional modeling、data quality、data lineage。
Навык эксплуатации хранилищ данных (Big Data/Data Warehouse) на протяжении всего жизненного цикла.
Как процесс D 45/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
- spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.
Находки guard · 0
✓ Критических и высоких находок нет
Просканировано файлов: 17. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда") - заметка
frontmatter-keyнеизвестное поле фронтматтера "agent_created"
Процессный рейтинг: все десять параметров 45/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Ошибки и развилки. Линейный процесс без обработки сбоев
- 20Когда включается. Не сказано, при каком запросе скилл включается
- 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
- 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
- 100Шаги. Шагов: 72
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 1920 токенов
- 100Отчётность по ходу. Скилл сообщает о ходе работы
Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.
Сигналы качества
- +5В description нет примеров фраз, по которым скилл должен срабатывать
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Формат ответа не описан: модель каждый раз решает сама
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 375 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 20 заголовков
- +3Пошаговые инструкции: 72 пунктов
- +4Есть примеры (7 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (6 из 6)
- +3Все 7 скриптов описаны в инструкциях
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 78.