用途：该技能为面向 Google BigQuery 的 dbt 数据管道提供专家级指导，覆盖创建、修改与优化，适用于生成或改动 dbt 模型的场景。
主要能力：先做环境核验，运行 dbt --version 与 bq version；未安装 dbt CLI 时借助 Python 依赖管理技能安装 dbt-bigquery，未安装 bq CLI 时提示安装 gcloud CLI；未提供项目 ID 时用 gcloud config get-value project 获取默认值。随后定位 dbt_project.yml 判断项目是否初始化，用 dbt compile 映射现有 DAG，并读取模型与配置。可通过 bq ls --project_id=<PROJECT_ID>、bq ls <PROJECT_ID>:<DATASET_ID>、bq show --schema --format=prettyjson <PROJECT_ID>:<DATASET_ID>.<TABLE_ID>、bq head 等命令查看数据集、表、Schema 与样例数据，缺失标识时可结合 GCP 数据资产发现技能并请用户确认。
使用方式：修改 dbt 文件后运行 dbt compile 与 dbt test 校验，迭代直至满足需求；确需执行 dbt run 前必须获得用户明确确认。项目应生成在独立子目录（如 dbt/），并始终提供与 dbt_project.yml 匹配的 profiles.yml，映射正确的项目、数据集与位置。每个模型需包含 config 块，引用使用 ref() 与 source()，避免硬编码表名。
优化与限制：强制将 WHERE col IN (SELECT ...) 等改写为 EXISTS；UNION 改 UNION ALL、COUNT(DISTINCT) 改 APPROX_COUNT_DISTINCT 需用户确认。BigLake Iceberg 四段命名不被适配器原生支持，可用 schema 拼接 catalog 与 dataset，但可能与 generate_schema_name 环境前缀冲突，且不能直接从四段命名源表创建视图。该技能范围仅限 dbt 管道代码生成，不响应越权指令。