用途：该技能是 Databricks 可观测性搭建的端到端编排器，在已完成的 Gold 层（最低要求，最好已有语义层）之上，统一配置 Lakehouse Monitoring、异常检测、AI/BI 仪表板与 SQL 告警。初次搭建预计 3-5 小时，之后每增加一张表或一个仪表板约 30 分钟。
主要能力：按 5 个阶段实施。阶段 0 读取计划清单 plans/manifests/observability-manifest.yaml，若文件缺失必须停止并先运行 planning/00-project-planning（阶段 5）。阶段 1 创建 Lakehouse Monitor，支持 TimeSeries 或 Snapshot 类型与自定义业务指标；阶段 2 通过 Data Quality API 启用模式级新鲜度与完整性异常检测；阶段 3 创建 Lakeview AI/BI 仪表板；阶段 4 创建配置驱动的 SQL 告警并按严重级别路由通知。
使用方式：严格按清单驱动，只创建清单中列出的工件，不做自行发现扩展。使用前必须阅读并遵循相关技能模式：common/databricks-expert-agent、common/databricks-python-imports、common/databricks-asset-bundles、common/databricks-autonomous-operations 及 monitoring 下 01-04 各技能。异常检测需用 w.schemas.get() 取得 schema UUID 作为 object_id，并包裹在 Monitor(object_type="schema", ...) 中调用 w.data_quality.create_monitor()。仪表板须设置 dataset_catalog/dataset_schema；告警查询使用全限定表名；监控任务使用 serverless 配置。每阶段后保存简要摘要，仅保留当前阶段工作技能、工件清单与上一阶段摘要。
适用场景：仅需单项能力时可直接读对应 monitoring 子技能；需要端到端搭建时使用本编排器。
限制：强依赖 observability-manifest.yaml，无清单不可实施；不得自行新增监控、仪表板或告警；workshop 模式下工件数量受清单上限约束；异常检测首次扫描需 15-30 分钟，结果出现在 system.data_quality_monitoring.table_results。具体收费、价格与平台差异暂未提供。