databricks-jobs
用于管理 Databricks Jobs 的技能，覆盖创建、列出、运行、更新和删除作业，支持多任务 DAG、触发器、通知监控，可通过 Python SDK、CLI 或 Asset Bundles 操作。
Skill 广场
找到适合任务的 Agent Skill，阅读介绍并复制安装命令。
更新于 11-05 00:16
数据与分析
17,418 个结果
databricks-lakebase-autoscale
介绍在 Databricks 上使用 Lakebase Autoscaling（新一代托管 PostgreSQL）的模式与最佳实践，涵盖自动扩缩容、分支、缩容至零与即时恢复，适合 OLTP 应用与反向 ETL 场景。
databricks-lakebase-provisioned
面向 Lakebase Provisioned（Databricks 托管 PostgreSQL）的技能，提供用于 OLTP 事务型工作负载的模式与最佳实践，涵盖实例创建、OAuth 令牌连接、反向 ETL、Databricks Apps 集成及 Unity Catalog 注册。
databricks-metric-views
用于在 Unity Catalog 中以 YAML 定义、创建、查询和管理受治理业务指标的技能，可构建标准化 KPI 层，支持维度分组、复杂聚合、窗口度量、星型/雪花模型联接与物化。
databricks-mlflow-evaluation
面向 MLflow 3 GenAI 智能体评估的技能文档，覆盖 mlflow.genai.evaluate() 代码编写、@scorer 函数、内置评分器、数据集构建、追踪分析、上下文优化、Unity Catalog 追踪接入、MemAlign 评判对齐与 GEPA 提示优化等流程。
databricks-parsing
在 Databricks 上用 ai_parse_document 将 PDF、DOCX、PPTX、图片等非结构化文档解析为结构化文本，并可搭建自定义 RAG 流水线（解析→切分→索引入库→查询）。适用于文档解析、结构化字段抽取和 Unity Catalog Volume 文档摄取。
databricks-python-sdk
Databricks 开发指南技能，覆盖 Python SDK、Databricks Connect、CLI 与 REST API 的使用方法，包含环境配置、认证方式、集群与作业管理、SQL 执行、Unity Catalog、模型服务、向量搜索等常见操作的代码模式与注意事项。
databricks-spark-declarative-pipelines
用于在 Databricks 上创建、配置和更新 Lakeflow Spark 声明式管道（SDP/LDP）的技能，默认使用无服务器计算，覆盖流式表、物化视图、AUTO CDC、Medallion 分层建模以及基于 Databricks Asset Bundles 与 CLI 的部署流程。
databricks-spark-structured-streaming
面向 Spark Structured Streaming 生产工作负载的综合指南技能，涵盖 Kafka 流处理、流连接、多目标写入、MERGE、检查点、有状态操作与触发与成本优化等主题，并提供从 Kafka 到 Delta 的快速入门示例与生产检查清单。
databricks-synthetic-data-gen
基于 Spark、Faker 与 Pandas UDF 在 Databricks 上生成逼真合成数据的技能，支持无服务器执行与 Parquet、JSON、CSV、Delta 等多种输出格式，强调先确认目录与模式、先建主表再生成带外键的关联表。
databricks-unity-catalog
面向 Databricks Unity Catalog 的技能指南，讲解系统表、卷（Volumes）与治理。适用于在 /Volumes/ 中上传、下载、列出文件，查询血缘、审计、账单、计算、作业等系统表，以及数据剖析与漂移检测。
databricks-unstructured-pdf-generation
该技能通过 generate_pdf_documents MCP 工具，用 LLM 生成用于 RAG 与无结构数据的合成 PDF 文档，并附带含问题和评估准则的 JSON 文件，自动上传到 Unity Catalog Volumes。适用于制作测试 PDF、演示文档或检索评估数据集。
databricks-vector-search
Databricks Vector Search 是为 RAG 与语义搜索应用创建、管理和查询向量索引的托管能力。支持从 Delta 表自动建索引、自动或用自定义嵌入、混合检索和过滤查询，适合大规模相似度检索场景。
databricks-zerobus-ingest
用于构建 Zerobus Ingest 客户端，通过 gRPC 将数据逐条近实时写入 Databricks Delta 表。支持 Python、Java、Go、TypeScript、Rust，JSON 或 Protobuf 序列化，含鉴权、模式生成、ACK、重试与限制说明，当前为公开预览。
querying-mlflow-metrics
该技能用于从 MLflow tracking server 获取聚合的 trace 指标，包括 token 用量、延迟、trace 数量和质量评估结果。通过运行 scripts/fetch_metrics.py 脚本，可按实验 ID、指标、聚合方式、维度和时间区间查询数据，支持表格或 JSON 输出。适用于需要查看 token 消耗汇总、按小时统计 token 趋势、按 trace 查看延迟百分位、按状态统计错误率、按评估器查看质量分数等场景。
retrieving-mlflow-traces
用于检索 MLflow 追踪（traces）的技能，支持通过 CLI 或 Python API 按 trace ID 单条获取，或按会话、用户、状态、标签、元数据、执行时间等条件搜索，常用于调试与根因分析。
databricks-demo-generator
用于为 Databricks 资产生成完整规格文件的技能，可帮助构建演示或端到端项目。面向技术解决方案架构师，强调业务故事与数据、管道、仪表盘、智能体的端到端一致性。
03-deduplication
用于 Delta Lake Gold 层 MERGE 的去重模式，避免因 Silver 源表存在重复业务键触发 DELTA_MULTIPLE_SOURCE_ROW_MATCHING_TARGET_ROW_IN_MERGE 错误。
04-conformed-dimensions
面向 Gold 层维度模型的企业集成模式技能，讲解一致性维度、企业数据仓库总线矩阵、收缩（上卷）维度、一致性事实与跨事实钻取查询，并给出反模式与设计阶段校验清单。
04-grain-validation
用于 Gold 层事实表合并前的粒度校验技能：在 MERGE 执行前检查 DataFrame 粒度是否与 DDL 主键一致，避免因粒度不匹配导致的合并错误与表重写。
05-erd-diagrams
用于为数据建模文档编写整洁、专业的 Mermaid ERD 图的模式集合，尤其面向 Gold 层数据模型、主 ERD、领域 ERD 与摘要 ERD 的组织与语法规范。
05-schema-validation
用于 Databricks Gold 层 merge 脚本的运行时 Schema 校验技能，避免源 DataFrame 列与目标 DDL 表结构不一致导致的合并错误。
adhoc-exploration-notebooks
为 Databricks 数据探索提供双格式笔记本模板：Databricks 工作区 .py 版与本地 Jupyter .ipynb 版，内含表发现、数据探查、质量检查、跨层对比等标准辅助函数，帮助在 Bronze/Silver/Gold 层间做临时分析与验证。
bronze-layer-setup
用于在 Databricks 上快速搭建 Bronze 层测试与演示数据的技能：按客户 schema 生成表 DDL、用 Faker 造数、从现有源复制，并配置 Asset Bundle 作业；适用于 Medallion 架构原型，不用于生产摄入。