用途：当需要构建数据管道、ETL/ELT 工作流或数据转换层时启用，适用于从零设计 ETL/ELT 管道、编写或调试 Airflow DAG、创建 dbt 模型与测试、优化 Spark 作业、决定流式还是批量、实现增量加载或 CDC、规划数仓或湖仓架构、以及数据质量检查与管道监控。不适用于 BI 看板设计与可视化，也不适用于机器学习模型训练或特征工程。
主要能力：围绕数据工程五大支柱给出决策框架——摄取模式（ETL 与 ELT）、编排（Airflow）、转换（dbt）、大规模处理（Spark）、架构选择（流式与批量），并说明各模式的适用时机与取舍。核心原则包括：幂等性不可妥协；现代栈优先 ELT；分区与增量而非全量重载；用编排器而非脚本；像测试代码一样测试数据。
使用方式：根据约束选择模式，例如落地前需过滤 PII 用 ETL，希望分析师迭代转换用 ELT，单次加载超 1TB 用 ELT 加 Spark，小于 100MB 的参考数据直接加载。标准 ELT 流程为抽取、加载原始数据到暂存层、用 dbt 分层转换（staging 到 intermediate 到 mart）、在层边界测试数据质量、从 mart 层服务下游。Airflow 中保持编排与业务逻辑分离，多数生产 DAG 设 catchup=False，并设置 execution_timeout。dbt 项目按 staging、intermediate、marts 三层组织，增量模型必须定义 unique_key。Spark 优化关注数据倾斜、过多 shuffle 和小文件。数据质量可用 dbt 测试、Great Expectations 或自定义断言在每个阶段设卡。
限制与注意事项：流式并非总是更优，除非有明确的亚分钟级实时需求，否则先用批量；dbt 增量模型未设 unique_key 会导致重复；Airflow catchup=True 可能触发大量回填；硬编码日期破坏幂等性；Spark 数据倾斜会使单个任务耗时十倍；缺少告警会导致静默失败。详细模式可参考 airflow-patterns、dbt-patterns、spark-tuning、streaming-architecture 等文件，按需加载以免占用上下文。首次激活时会检查配套技能并提示安装命令 npx skills add AbsolutelySkilled/AbsolutelySkilled --skill <name>。