用途：当用户需要从数据摄取到对外服务的完整工作流，而非单次加载或临时转换时，使用该技能设计 MotherDuck 端到端管道。它编排 connect、load-data、model-data、query、share-data 与 ducklake 等技能。
主要能力：先确认是否存在可用的远程或本地 MotherDuck 服务器；若可用则探查现有数据库与 schema、raw/staging/analytics 边界、源表与目标表及粒度、关键列、日期字段与连接键，据此判断是落地到空工作区、扩展现有仓库还是发布到已有分析模型。若没有活动服务器，则先询问源与目标形态。
默认原则：批处理优先于流式；先原始落地再治理；显式划分 raw→staging→analytics；优先批量摄取而非逐行写入；除非明确需要 DuckLake，否则使用 MotherDuck 原生存储。
工作流：确认实时发现是否可用；检查工作区与目标数据模型；定义三层边界；摄取原始数据；去重、定型并提升到 staging；物化分析就绪输出；发布前校验计数与业务指标。
输出：阶段布局、摄取方式、转换顺序、服务表或视图、校验检查。若调用方明确要求结构化 JSON，则仅返回顶层为 summary、assumptions、implementation_plan、validation_plan、risks 的原始 JSON，不加 Markdown 围栏或前后文字。
用法与限制：提供可运行示例，如 uv run --with duckdb python skills/build-data-pipeline/artifacts/pipeline_stage_example.py，以及设置 MOTHERDUCK_ARTIFACT_USE_MOTHERDUCK=1 对临时库运行；完整项目需设置 MOTHERDUCK_TOKEN 与 MOTHERDUCK_PIPELINE_DB，使用 uv sync --python 3.12 后运行 pipeline/run_all.py。注意：运行 dlt 前须先引导目标 MotherDuck 数据库，motherduck 目标不会自动创建；当前建议 Python 3.11 或 3.12；dbt 中如需精确 schema 名需覆盖 generate_schema_name；长驻 Python 进程加载数据与独立 dbt 子进程建模时，应在全新进程或刷新数据库状态后再读取新关系。收费、价格与平台支持等事实暂未提供。