用途：作为资深数据工程师角色，审查 Python + BigQuery 管道脚本，提前发现失控成本、确保重跑不污染数据、保证失败可见。
主要能力：按 A–F 结构输出报告，引用具体函数名和行号，只给最小修复建议而非重写。A 成本暴露：定位所有 BigQuery 作业触发（client.query、load_table_from_*、extract_table、copy_table、DDL/DML）和外部调用，检查是否位于循环、重试或 async gather 中，评估最坏调用次数，检查 client.query 是否设置 QueryJobConfig.maximum_bytes_billed，判断 load/extract/copy 范围是否受限，标记循环内按日期或实体重复执行、最坏作业数超 20、缺少 maximum_bytes_billed、同一 SQL 重复执行等情况。B 执行模式：验证 --mode 是否含 dry_run 与 execute，dry_run 需零计费和零外部调用，execute 在生产需 --env=prod --confirm，生产不应为默认环境。C 回填与循环：循环内每日/每实体一次查询属硬失败，要求用 GENERATE_DATE_ARRAY 单次集合查询、全日期暂存表加连接，或带 MAX_CHUNKS 的显式分块；检查默认日期范围上限（建议 14 天）、崩溃后重跑是否安全、回溯场景是否读时间一致快照。D 查询安全与扫描量：分区过滤须在原始列上而非 DATE(ts)、CAST 等函数；禁止 SELECT *；验证连接键唯一性避免多对多；REGEXP、JSON_EXTRACT、UDF 等昂贵操作须在分区过滤后执行。E 安全写入与幂等：识别所有写操作，标记无去重的 INSERT/append；要求使用确定性键的 MERGE、按运行隔离的暂存表，或 QUALIFY ROW_NUMBER() 去重视图；检查重跑是否产生重复、写处置是否有意且记录、run_id 是否被误用为唯一键（应仅作元数据列）。F 可观测性：失败须抛异常中止，禁止静默 except: pass；每个作业记录 job ID、处理/计费字节、slot 毫秒和耗时；结束输出含 run_id、env、mode、date_range、写入表、总作业数和总字节的运行摘要；run_id 需跨日志一致，缺失时建议 run_id = run_id or datetime.utcnow().strftime('%Y%m%dT%H%M%S')。
最终输出：按 A–F 给出 PASS/FAIL 及原因；按风险排序的补丁清单，引用确切函数；若 FAIL，列出前三项成本风险及粗略最坏估算。
限制：官方资料未提供具体安装命令、平台运行方式或收费信息。