data-engineer
Concevoir des pipelines de données fiables
Les équipes data ont besoin de pipelines qui répondent aux objectifs de mise à l’échelle, de latence, de qualité et de gouvernance. Cette skill guide l’architecture, l’orchestration, la validation et les opérations.
自分のエージェントでインストール
このリクエストをエージェントにコピーしてください。正規の Skill ページとマニフェストが含まれています。
Review the Skillstore skill "data-engineer" from https://skillstore.io/skills/sickn33-data-engineer.md and its manifest at https://skillstore.io/api/skills/sickn33-data-engineer/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.エージェントは引き続き計画を提示し、セキュリティポリシーで必要な確認を求める必要があります。
エージェントが読めるリソース
AI エージェント、クローラー、スクリプトがページ全体ではなく整理されたコンテキストを必要とする場合は、これらのリンクを使ってください。
テストする
「data-engineer」を使用しています。 Concevoir un pipeline de streaming de Kafka vers BigQuery pour des événements produit.
期待される結果:
Une architecture recommandée avec topics Kafka, registre de schémas, traitement de flux, gestion des dead-letter, partitionnement BigQuery, surveillance et étapes de récupération.
「data-engineer」を使用しています。 Améliorer la fiabilité de notre pipeline nocturne dbt et Airflow.
期待される結果:
Un plan de fiabilité couvrant les contrôles de dépendances, la fraîcheur des sources, les tests dbt, les politiques de reprise, le routage des alertes, les mises à jour du lignage et la responsabilité du runbook.
「data-engineer」を使用しています。 Choisir entre Snowflake, BigQuery et Redshift pour l’analytique.
期待される結果:
Une matrice de décision décrivant l’adéquation à la charge de travail, les contrôles des coûts, l’intégration à l’écosystème, les fonctionnalités de gouvernance, les préoccupations de performance et les risques de migration.
セキュリティ監査
安全The sole static finding is a false positive caused by a list of real-time analytics products in SKILL.md. No system reconnaissance instructions, prompt injection, or other malicious intent were found.
このレポートを共有・引用
バージョン付き評価レポート、中立的なバッジ、埋め込みカード、引用を共有できます。Skillstore は証拠を報告しますが、この Skill が安全かどうかは判断しません。
レポートリンクをコピー
https://skillstore.io/skills/sickn33-data-engineer/audits/5?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportMarkdownバッジ
[](https://skillstore.io/skills/sickn33-data-engineer?utm_source=security_passport_badge)HTMLバッジ
<a href="https://skillstore.io/skills/sickn33-data-engineer?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/sickn33-data-engineer/security.svg" alt="Skillstore security assessment" loading="lazy"></a>埋め込みカード
<iframe src="https://skillstore.io/embed/skills/sickn33-data-engineer.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>学術引用 (APA · BibTeX · CFF)
APA形式の引用
sickn33. (2026). data-engineer security audit report (audit version 5) [Author version unspecified]. Skillstore. https://skillstore.io/skills/sickn33-data-engineer/audits/5BibTeX形式の引用
@techreport{sickn33-sickn33-data-engineer-2026,
author = {sickn33},
title = {data-engineer security audit report (audit version 5)},
institution = {Skillstore},
year = {2026},
number = {5},
url = {https://skillstore.io/skills/sickn33-data-engineer/audits/5},
note = {Author version unspecified}
}CITATION.cff
cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "data-engineer security audit report (audit version 5)"
version: "unspecified"
type: report
authors:
- name: "sickn33"
date-released: "2026-07-23"
url: "https://skillstore.io/skills/sickn33-data-engineer/audits/5"
identifiers:
- type: other
value: "skillstore:sickn33-data-engineer:audit:5"
description: "Skillstore immutable audit report identifier"
バリアントを比較
インストール可能なバリアント 2 件各作者のスキルは個別のインストール項目として維持されます。推奨バリアントは Skillstore の証拠で順位付けされます。
このバリアントが首位の理由
zl2023github-data-engineer
2026-09-09
Skillstore スコア
このスコアの理由 証拠の信頼度: 高作成できるもの
Planifier une plateforme de données moderne
Concevoir un entrepôt de données, un lakehouse ou une pile data moderne avec des couches d’ingestion, de transformation, de service et de gouvernance.
Améliorer la fiabilité des pipelines
Ajouter de la validation, de la surveillance, du lignage, des reprises et des runbooks opérationnels aux pipelines de données existants.
Choisir une architecture de streaming
Comparer Kafka, Flink, Kinesis, Pub/Sub et les services associés pour le traitement d’événements à faible latence.
これらのプロンプトを試す
Utilisez cette skill pour recommander un modèle de pipeline batch ou streaming pour mon cas d’usage. Incluez les sources, les transformations, le stockage, l’orchestration et la surveillance.
Utilisez cette skill pour concevoir un modèle d’entrepôt de données pour ces questions métier, tables sources, besoins de fraîcheur des données et contraintes de reporting.
Utilisez cette skill pour examiner la conception de mon pipeline concernant les modes de défaillance, les risques de qualité des données, les problèmes de coûts et les contrôles opérationnels manquants.
Utilisez cette skill pour concevoir une plateforme de données multicloud avec ingestion, stockage lakehouse, transformations, gouvernance, sécurité, observabilité et reprise après sinistre.
ベストプラクティス
- Fournissez les systèmes sources, le volume attendu, les objectifs de latence, les propriétaires des données et les contraintes de conformité.
- Demandez des plans de validation, de surveillance, de lignage et de retour arrière avec chaque conception de pipeline.
- Examinez les coûts et la complexité opérationnelle avant de sélectionner des services managés ou des outils open source.
回避
- Ne demandez pas d’étapes de déploiement en production sans contrôles d’accès à la plateforme ni circuits d’approbation.
- Ne négligez pas les contrats de données, l’évolution des schémas ni les contrôles de qualité pour les jeux de données critiques.
- Ne considérez pas les conseils d’architecture de haut niveau comme un substitut aux tests de charge.