AD senior-data-engineer

Передовые навыки инженерии данных для создания масштабируемых конвейеров данных, систем ETL/ELT, потоковой передачи в реальном времени и инфраструктуры данных. Экспертиза в Python, SQL, Spark, Airflow, dbt, Kafka, Flink, Kinesis и современном стеке данных. Включает моделирование данных, оркестрацию конвейеров, качество данных, мониторинг качества потоковой передачи и DataOps. Используйте при проектировании архитектур данных, создании пакетных или потоковых конвейеров данных, оптимизации рабочих процессов обработки данных или внедрении управления данными.

машинный переводПоказать оригинал«World-class data engineering skill for building scalable data pipeline…»

World-class data engineering skill for building scalable data pipelines, ETL/ELT systems, real-time streaming, and data infrastructure. Expertise in Python, SQL, Spark, Airflow, dbt, Kafka, Flink, Kinesis, and modern data stack. Includes data modeling, pipeline orchestration, data quality, streaming quality monitoring, and DataOps. Use when designing data architectures, building batch or streaming data pipelines, optimizing data workflows, or implementing data governance.

ClawHub Agent Skills автор: wu-uk v0.1.0 MIT-0 14 файлов тело ≈ 5 367 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Передовые навыки инженерии данных для создания масштабируемых конвейеров данных, систем ETL/ELT, потоковой передачи в реальном времени и инфраструктуры данных.

Как процесс D 42/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

Процедура Docker Инфраструктуратип и темы размечены автоматически по тексту скилла

Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode

JSON

Технический рейтинг

92/100

безопасность, качество, тесты

Безопасность 60%: 100
Качество 40%: 79
Прогон на моделях: не было

Процессный рейтинг

42/100

Процесс не доведён

Результат и критерий готовности вес 14: 0
Входы и предусловия вес 11: 0
Отчётность по ходу вес 2: 0

три самых слабых из десяти параметров · все десять

Как улучшить

Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.

Для прогона на моделях — необязательно

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: 14. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

предупреждение body-long тело SKILL.md ≈ 5367 токенов (рекомендуется < 5000); вынесите детали в references/
заметка frontmatter-key неизвестное поле фронтматтера "title"
заметка frontmatter-key неизвестное поле фронтматтера "domain"
заметка frontmatter-key неизвестное поле фронтматтера "subdomain"
заметка frontmatter-key неизвестное поле фронтматтера "difficulty"
заметка frontmatter-key неизвестное поле фронтматтера "time-saved"
заметка frontmatter-key неизвестное поле фронтматтера "frequency"
заметка frontmatter-key неизвестное поле фронтматтера "use-cases"
заметка frontmatter-key неизвестное поле фронтматтера "related-agents"
заметка frontmatter-key неизвестное поле фронтматтера "related-skills"
заметка frontmatter-key неизвестное поле фронтматтера "related-commands"
заметка frontmatter-key неизвестное поле фронтматтера "orchestrated-by"
заметка frontmatter-key неизвестное поле фронтматтера "dependencies"
заметка frontmatter-key неизвестное поле фронтматтера "tech-stack"
заметка frontmatter-key неизвестное поле фронтматтера "examples"
заметка frontmatter-key неизвестное поле фронтматтера "stats"
заметка frontmatter-key неизвестное поле фронтматтера "contributors"
заметка frontmatter-key неизвестное поле фронтматтера "created"
заметка frontmatter-key неизвестное поле фронтматтера "updated"
заметка frontmatter-key неизвестное поле фронтматтера "featured"
заметка frontmatter-key неизвестное поле фронтматтера "verified"

Процессный рейтинг: все десять параметров 42/100

0Результат и критерий готовности. Не сказано, что считать результатом
0Входы и предусловия. Не сказано, что нужно иметь на входе
0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
20Когда включается. Не сказано, при каком запросе скилл включается
40Согласованность. Имя во frontmatter (senior-data-engineer) не совпадает с папкой (flink-query-senior-data-engineer)
50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
70Стоимость исполнения. Тело инструкции 5367 токенов
85Шаги. Шагов: 177, расплывчатых формулировок: 1
100Повторный запуск. Изменяющие операции проверяют текущее состояние

low Разделов верхнего уровня: 12. Похоже на несколько доменов в одном скилле

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
+2Инструкции на одном языке
+3Длина description 476 символов: достаточно сигнала, не съедает бюджет
+4Структура: 33 заголовков
+3Пошаговые инструкции: 177 пунктов
+4Есть примеры (10 блоков кода)
+4Справочные файлы упоминаются в инструкциях (3 из 3)
+3Все 6 скриптов описаны в инструкциях
+1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 79.

Внешние проверки

ClawHub: suspicious

This data-engineering skill is not clearly malicious, but it needs review because some production-style monitoring and security templates are under-scoped or misleading.

LLM: suspicious (high) · VirusTotal: · 29 мая 2026 г.

Тесты

— нет evals.json

— нет spec.yaml

— на моделях не проверялся

Файлы · 14

assets/data-quality-checklist.md 0K
assets/pipeline-design-template.md 0K
HOW_TO_USE.md 2K
references/frameworks.md 41K
references/templates.md 66K
references/tools.md 38K
scripts/data_quality_validator.py 3K
scripts/etl_performance_optimizer.py 3K
scripts/kafka_config_generator.py 40K
scripts/pipeline_orchestrator.py 3K
scripts/streaming_quality_validator.py 39K
scripts/stream_processor.py 59K
skill-card.md 3K
SKILL.md 23K

Фронтматтер

title: Senior Data Engineer Skill Package

domain: engineering

subdomain: data-engineering

difficulty: advanced

time-saved: TODO: Quantify time savings

frequency: TODO: Estimate usage frequency

use-cases: ["Designing data pipelines for ETL/ELT processes","Building data warehouses and data lakes","Implementing data quality a

related-agents: []

related-skills: []

related-commands: []

orchestrated-by: []

dependencies: {"scripts":[],"references":[],"assets":[]}

compatibility: {"python-version":"3.8+","platforms":["macos","linux","windows"]}

tech-stack: ["Python","SQL","Apache Spark","Airflow","dbt","Apache Kafka","Apache Flink","AWS Kinesis","Spark Structured Streaming",

examples: [{"title":"Example Usage","input":"TODO: Add example input for senior-data-engineer","output":"TODO: Add expected output

stats: {"downloads":0,"stars":0,"rating":0,"reviews":0}

version: v2.0.0

author: Claude Skills Team

contributors: []

created: 2025-10-20

updated: 2025-12-16

license: MIT

tags: ["architecture","data","design","engineer","engineering","senior","streaming","kafka","flink","real-time"]

featured: false

verified: true

Даты

В каталоге с 15 апр. 2026 г.

Обновлён в каталоге 11 мая 2026 г.

Впервые у нас 9 сент. 2026 г.

Последний анализ 11 сент. 2026 г., 02:13 UTC

Последний обход 27 ч назад

История оценки

Дата		Оценка	Безоп.	Кач.
11 сент. 2026 г.	A	92	100	79
9 сент. 2026 г.	B	85	100	62