用途：用于构建生产级数据平台，覆盖数据管道架构设计、ETL/ELT 模式选择、数据建模、数据质量保障与管道运维。适合数据工程师在搭建从数据源到仓库再到 BI/ML 的链路时参考。
主要能力：提供批量抽取-转换-加载（ETL）管道示例，含分批抽取、转换校验、重试加载与指标统计；对比 ETL（先转换后加载）与 ELT（先加载后用 SQL/dbt 转换）的适用场景；给出数据质量校验框架，支持 error/warning 两级严重度；提供幂等加载（先删后插）与 MERGE/UPSERT 模式，避免重复数据；列出编排、转换、集成、质量工具的用途与 2025 版本，如 Python 3.12+、Airflow 2.8+、dbt 1.7+、Spark 3.5+、Airbyte 0.55+、Great Expectations 0.18+。
使用方式与实践：遵循幂等（delete_and_insert 按分区）、增量处理（WHERE updated_at > last_run_timestamp）、边界处校验 schema 与约束、补充日志与指标可观测性等最佳实践；避免每次全量处理、跳过质量检查、忽略 schema 变更。
适用场景：现代化数据架构（API/DB/文件/SaaS 经 Airbyte/Fivetran/Kafka 入湖入仓，再经 dbt/Spark 转换至 Snowflake 等仓库供 BI 与 ML 使用）、数据质量治理、管道排障。
限制：未提供官方收费、定价、平台支持或效果数据；示例依赖外部数据库与库，需自行适配环境。