用途：该技能用于构建、修改和调试部署在 Keboola 上的 Streamlit 数据应用与仪表板，目标是在本地开发与 Keboola 生产环境中都能稳定运行。
核心工作流（必须遵循）：第一阶段 VALIDATE，写代码前用 Keboola MCP 校验数据假设：mcp__keboola__get_project_info 获取项目上下文（SQL 方言、可用数据源、项目配置）；mcp__keboola__get_table 检查列名、数据类型、全限定表名和主键；mcp__keboola__query_data 查询样例数据、验证筛选条件和 SQL 语法。第二阶段 BUILD，采用 SQL 优先架构：集中式数据访问层 utils/data_loader.py，筛选条件函数，查询使用 @st.cache_data(ttl=300) 缓存，使用全限定表名，WHERE 子句用 ' AND '.join 拼接。第三阶段 VERIFY，用 Playwright MCP 打开 http://localhost:8501，等待页面加载、截图、点击筛选、逐页检查错误与指标。
主要能力与架构原则：SQL 优先（聚合下推数据库，避免把大数据集载入 Python）；环境一致性（本地用 .streamlit/secrets.toml，生产用环境变量，代码中 os.environ.get('KBC_URL') or st.secrets.get("KBC_URL") 双通道）；模块化设计（streamlit_app.py 入口与全局筛选、utils/data_loader.py 数据访问、page_modules/*.py 页面逻辑）；会话状态管理（默认值初始化、跨页筛选保持、变更后 st.rerun()）。
使用方式与常见模式：新增全局筛选需在 data_loader.py 加 get_filter_clause()，在侧边栏加 radio 控件，在所有页面模块导入并更新 SQL；新增指标按页面模板编写指标查询与图表。
限制与注意事项：需具备 Keboola MCP、Playwright MCP、读写编辑与 Bash 工具访问；必须先确认 SQL 方言（Snowflake/BigQuery 语法不同），标识符加引号，处理好 NULL 与空 DataFrame；避免变量名和会话状态键冲突；不得跳过校验与可视化验证。更多细节见技能目录中的 best-practices.md、workflow-guide.md、templates.md。