mcpField
D
data-quality-observability-review

data-quality-observability-review

github.com/sylphxai数据与数据库142 次安装今天更新
代码仓库

关于 data-quality-observability-review

Data Quality Observability Review 是一项技能，可将数据质量与可观测性问题转化为可执行方案。它围绕关键数据集及其支持的决策，组织检查、监控、告警、责任归属和恢复措施。

主要功能

  1. 01分类数据质量检查
  2. 02定义监控项和告警阈值
  3. 03分配负责人并规划告警路由
  4. 04规划回填与事件沟通
  5. 05生成质量地图和决策表

适用场景

  1. 01评估数据新鲜度和完整性风险
  2. 02为模式漂移和异常设置告警
  3. 03规划错误数据集的恢复
  4. 04明确关键数据检查的负责人

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/sylphxai/skills --skill data-quality-observability-review

安装后在 Claude Code 中输入/data-quality-observability-review确认已加载。

附带文件agents/openai.yamlreferences/data-quality-observability-patterns.md

详细介绍

数据质量可观测性评审

使用此技能，将有关数据质量、新鲜度、完整性、架构漂移、血缘关系、告警和指标可信度的问题，转化为包含负责人、关卡、指标和恢复路径的具体产物。

工作流

  1. 确定关键数据集、它们影响的决策、负责人、数据生产者、使用者、SLA、新鲜度需求，以及错误数据的影响范围。
  2. 阅读 references/data-quality-observability-patterns.md。
  3. 对质量检查进行分类：架构、新鲜度、数据量、唯一性、引用完整性、分布、核对、隐私和语义指标检查。
  4. 定义监控、告警阈值、负责人路由、回填策略、仪表板信任状态、事件沟通和数据契约变更。
  5. 产出质量地图、状态机、决策表、事件架构、告警策略和回填清单。

不适用场景

  • 对于基础模型无需借助此技能的特定产物约定即可处理的一般性建议，请勿使用此技能。

防护措施

  • 如果上游的新鲜度、架构和核对均无人负责，请勿将仪表板视为可信。
  • 对每个异常发出告警前，必须明确其严重程度、负责人和对用户决策的影响。
  • 对客户、计费或 AI 训练数据进行回填前，必须确保操作幂等，并核对回填前后的数据。
  • 请勿在质量日志、样本行或事件截图中泄露私有数据。

输出格式

Data context:
Dataset / decision / SLA / blast radius:

Quality observability plan:
| Area | Decision | Evidence | Risk | Owner |
| --- | --- | --- | --- | --- |

Checks and owners:
- <item> -> <policy, metric, edge case, support note>

Backfill and incident response:
- <trigger> -> <action, communication, owner>

评论

支持 Markdown