Przejdź do treści
Biblioteka skilli
Dane i analityka · Nauka i wyjaśnianie

data-engineering-guide

/data-engineering-guide

Podpowiada rozwiązania inżynierii danych: pipeline'y, schematy, jakość danych, SQL, lakehouse i przetwarzanie strumieniowe.

Repozytorium
agentspec ↗
Licencja
MIT
Ostatnia zmiana repozytorium
08.10.2026

Ocena i bezpieczeństwo

90/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść25 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
1
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 08.10.2026, bez odwołań do wycofanych modeli i API.

Licencja

MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.

Co robi i kiedy

Podpowiada rozwiązania inżynierii danych: pipeline'y, schematy, jakość danych, SQL, lakehouse i przetwarzanie strumieniowe.

Oryginalny opis (EN)

Data engineering expertise for pipelines, schemas, data quality, SQL, lakehouse, and streaming. Use PROACTIVELY when the user discusses data pipelines, ETL/ELT, schema design, dimensional modeling, data quality checks, SQL optimization, dbt models, Spark jobs, Airflow DAGs, streaming pipelines, lakehouse architecture, or data contracts.

Jak działa

  1. Quick Routing
  2. Knowledge Domains Available
  3. How Agents Use Knowledge
  4. When to Suggest Commands
Sekcje z nagłówków SKILL.md, w oryginale · 46 linii, 318 słów
Podgląd SKILL.md
---
name: data-engineering-guide
description: |
  Data engineering expertise for pipelines, schemas, data quality, SQL, lakehouse, and streaming.
  Use PROACTIVELY when the user discusses data pipelines, ETL/ELT, schema design, dimensional modeling,
  data quality checks, SQL optimization, dbt models, Spark jobs, Airflow DAGs, streaming pipelines,
  lakehouse architecture, or data contracts.
---

# Data Engineering Guide

You have access to 23 specialized knowledge base domains and 15+ data engineering agents. Route the user to the right tool based on their task.

## Quick Routing

| User Task | Command | Agent |
|-----------|---------|-------|
| Design a data pipeline / DAG | `/agentspec:pipeline` | pipeline-architect |
| Design a schema / star schema / data model | `/agentspec:schema` | schema-designer |
| Add data quality checks | `/agentspec:data-quality` | data-quality-analyst |
| Review SQL performance | `/agentspec:sql-review` | sql-optimizer |
| Choose table format (Iceberg/Delta) | `/agentspec:lakehouse` | lakehouse-architect |
| Build RAG / embedding pipeline | `/agentspec:ai-pipeline` | ai-data-engineer |
| Create a data contract | `/agentspec:data-contract` | data-contracts-engineer |
| Migrate legacy ETL | `/agentspec:migrate` | dbt-specialist + spark-engineer |

## Knowledge Domains Available

| Category | Domains |
|----------|---------|
| Core DE | dbt, spark, airflow, streaming, sql-patterns |
| Data Design | data-modeling, data-quality, medallion |
| Infrastructure | lakehouse, cloud-platforms, aws, gcp, microsoft-fabric, lakeflow, terraform |
| AI & Modern | ai-data-engineering, genai, prompt-engineering, modern-stack |
| Foundations | pydantic, python, testing |

## How Agents Use Knowledge

1. Agent reads KB index at `${CLAUDE_PLUGIN_ROOT}/kb/{domain}/index.md`
2. Loads specific pattern/concept file matching the task
3. Falls back to MCP if KB insufficient (max 3 MCP calls)
4. Calculates confidence from evidence matrix

## When to Suggest Commands

- User mentions "dbt model" or "staging model" → `/agentspec:schema` or delegate to dbt-specialist
- User mentions "pipeline" or "DAG" or "orchestration" → `/agentspec:pipeline`
- User mentions "data quality" or "expectations" or "tests" → `/agentspec:data-quality`
- User mentions "slow query" or "optimize SQL" → `/agentspec:sql-review`
- User mentions "Iceberg" or "Delta Lake" or "table format" → `/agentspec:lakehouse`
- User mentions "RAG" or "embeddings" or "vector" → `/agentspec:ai-pipeline`
- User mentions "contract" or "SLA" or "schema governance" → `/agentspec:data-contract`
- User mentions "migrate" or "legacy" or "SSIS" or "Informatica" → `/agentspec:migrate`

Wersje

W bazie nie ma innych skilli o nazwie data-engineering-guide.

Identyczna treść występuje jeszcze w 1 innych folderach na GitHubie. Tu pokazujemy jedną, najlepiej ocenioną kopię.

Migawka bazy z 13.11.2026 · wersja paczki 47bb8e53b329 (skrót SHA-256 całej paczki)

Pobrania w ostatnich 30 dniach: 0 · ranking

Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.

Podobne skille

  • 90data-engineering
    Projektuje i wdraża pipeline'y ETL i ELT, hurtownie oraz optymalizację SQL w Spark, Airflow, dbt i Kafka.
  • 100data-engineering
    Projektuje, buduje i utrzymuje niezawodne potoki danych: ETL i ELT, przetwarzanie wsadowe i strumieniowe, jakość danych i kontrolowany dostęp do danych.
  • 100senior-data-engineer
    Buduje pipeline'y wsadowe i strumieniowe w Airflow, dbt, Spark i Kafka: architektury danych, kontrole jakości, optymalizacja ETL i ELT oraz diagnostyka awarii.
  • 95senior-data-engineer
    Projektuje i buduje potoki danych ETL i ELT oraz infrastrukturę danych w Pythonie, SQL, Sparku, Airflow i dbt.
  • 100senior-data-engineer
    Buduje skalowalne pipeline'y danych, systemy ETL i ELT oraz infrastrukturę danych w Pythonie, SQL, Spark, Airflow, dbt i Kafka, z modelowaniem, jakością danych i DataOps.
  • 100senior-data-engineer
    Buduje skalowalne pipeline'y danych, systemy ETL i ELT oraz infrastrukturę danych w Pythonie, SQL, Spark, Airflow, dbt i Kafka, z modelowaniem, jakością danych i DataOps.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.