Communitygithub.com

G1Joshi/Agent-Skills - dbt (Data Build Tool)

Asistencia experta en dbt (Data Build Tool) que cubre modelado SQL, macros Jinja, pruebas, documentación y capa semántica. Úselo al construir canalizaciones de ingeniería analítica en BigQuery, Snowflake o PostgreSQL.

¿Qué es Agent-Skills - dbt (Data Build Tool)?

Esta habilidad de agente está diseñada para desarrolladores e ingenieros de datos que trabajan con dbt (Data Build Tool) para gestionar transformaciones de datos dentro del almacén utilizando SQL. Proporciona asistencia experta en la construcción de modelos SQL modulares con Jinja, pruebas de calidad de datos y documentación automatizada, todo ello manteniendo la integridad del DAG. La habilidad admite plataformas como Snowflake, BigQuery, Databricks y Redshift, y ofrece fragmentos de código y patrones prácticos para la creación de modelos incrementales, definición de esquemas y creación de macros reutilizables. Al traducir y presentar las mejores prácticas más recientes y las estrategias de resolución de problemas, ayuda a los usuarios a optimizar el rendimiento de dbt y evitar errores comunes. Es especialmente útil en flujos de trabajo de CI/CD para detectar regresiones de esquemas. Su documentación localizada garantiza una comprensión clara incluso para desarrolladores cuyo primer idioma no es el inglés, facilitando la adopción consistente de dbt en equipos multilingües.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/G1Joshi/Agent-Skills/tree/HEAD/skills/ai-ml/dbt

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

dbt (Data Build Tool)

dbt gestiona la transformación de datos en el almacén utilizando SQL. La versión v2.0 introduce el Fusion Engine (Rust) para mejorar el rendimiento.

Cuándo usar

  • Ingeniería Analítica y Transformaciones de Datos: Transformar datos sin procesar dentro de almacenes en la nube modernos (Snowflake, BigQuery, Databricks, Redshift).
  • SQL Modular con Jinja y Control de Versiones: Construir modelos SQL reutilizables con dependencias DAG y macros.
  • Pruebas de Calidad de Datos y Esquemas: Aplicar restricciones unique, not_null, integridad referencial y pruebas singulares personalizadas.
  • Documentación Automatizada de Datos y Linaje: Generar gráficos interactivos de linaje de dependencias directamente desde los esquemas del código base.

Inicio Rápido

-- models/marts/fct_orders.sql
{{ config(materialized='table') }}

with orders as (
    select * from {{ ref('stg_orders') }}
),
payments as (
    select * from {{ ref('stg_payments') }}
)

select
    orders.order_id,
    orders.customer_id,
    orders.order_date,
    coalesce(payments.amount, 0) as total_amount
from orders
left join payments using (order_id)

Conceptos Clave

#Modelado SQL Declarativo con ref() y source()

Construir modelos de transformación con resolución de dependencias:

-- models/marts/core/fct_customer_orders.sql
{{
  config(
    materialized = 'incremental',
    unique_key = 'order_id',
    on_schema_change = 'fail'
  )
}}

with orders as (
    select * from {{ ref('stg_orders') }}
    {% if is_incremental() %}
      where order_date >= (select coalesce(max(order_date), '1970-01-01') from {{ this }})
    {% endif %}
),

customers as (
    select * from {{ ref('stg_customers') }}
)

select
    o.order_id,
    o.customer_id,
    c.full_name as customer_name,
    o.order_date,
    o.total_amount_usd
from orders o
inner join customers c on o.customer_id = c.customer_id

#Pruebas de Esquema y Documentación en YAML

Aplicar restricciones de columna y documentación:

# models/marts/core/schema.yml
version: 2

models:
  - name: fct_customer_orders
    description: "Tabla de hechos de pedidos diarios de clientes que combina pedidos y dimensiones de clientes preparados."
    columns:
      - name: order_id
        description: "Clave primaria de pedidos."
        tests:
          - unique
          - not_null

      - name: customer_id
        description: "Clave foránea que referencia a clientes preparados."
        tests:
          - not_null
          - relationships:
              to: ref('stg_customers')
              field: customer_id

      - name: total_amount_usd
        description: "Valor total de la transacción en USD."
        tests:
          - not_null

#Macros Jinja para Lógica DRY Reutilizable

Crear utilidades SQL personalizadas reutilizables:

-- macros/cents_to_dollars.sql
{% macro cents_to_dollars(column_name, decimal_places=2) -%}
    round(cast(({{ column_name }} / 100.0) as numeric), {{ decimal_places }})
{%- endmacro %}

-- Uso en modelo:
select
    id,
    {{ cents_to_dollars('amount_in_cents') }} as amount_usd
from {{ ref('stg_payments') }}

Patrones Comunes

Modelos Incrementales con Filtrado por Marca de Tiempo

Problema: Reconstruir tablas con miles de millones de filas desde cero en cada ejecución de dbt es lento y costoso.

Solución: Usar materialización incremental con is_incremental():

{{ config(
    materialized='incremental',
    unique_key='event_id'
) }}

select * from {{ source('raw', 'events') }}

{% if is_incremental() %}
  -- Solo consultar filas creadas después del evento más reciente en la tabla de destino
  where event_timestamp > (select max(event_timestamp) from {{ this }})
{% endif %}

Mejores Prácticas (2026)

  • Sí organizar proyectos en capas estándar: staging (1 a 1 con fuentes sin procesar), intermediate y marts.
  • Sí usar siempre {{ ref('nombre_modelo') }} y {{ source('nombre_fuente', 'nombre_tabla') }} para mantener el linaje del DAG.
  • Sí implementar modelos incrementales (materialized='incremental') para tablas de hechos con millones de filas.
  • Sí ejecutar dbt test en canalizaciones CI en cada solicitud de extracción para detectar regresiones en el esquema de datos.
  • No escribir referencias directas a tablas de base de datos (ej. analytics.raw.users); usar siempre source() o ref().
  • No realizar lógica de negocio dentro de modelos de staging; el staging solo debe limpiar, convertir y renombrar columnas.
  • No codificar entornos (dev vs prod); usar condicionales target.name en profiles.yml.

Solución de Problemas

ErrorCausaSolución
Compilation Error: Model '...' depends on a node named '...' which was not foundError tipográfico en {{ ref('nombre_modelo') }} o falta el archivo del modelo.Verificar que el nombre del archivo del modelo coincida exactamente con la referencia.
dbt test failed: unique constraint violatedClaves duplicadas generadas por una condición de unión no única.Inspeccionar las claves duplicadas en el SQL compilado en target/compiled/.
Schema change error during incremental runEl modelo ascendente agregó o eliminó columnas rompiendo la tabla incremental existente.Ejecutar con --full-refresh una vez para reconstruir el esquema: dbt run --full-refresh.

Referencias

Individual skills in this repo

This repo contains 11 individual skills — each has its own dedicated page.

G1Joshi/Agent-Skills

Expert Dask distributed computing assistance covering Dask DataFrames, Arrays, Futures, and cluster scaling. Use when analyzing datasets too large for pandas on a single machine or multi-node cluster.

G1Joshi/Agent-Skills

Expert JAX assistance covering Autograd, XLA compilation (`jit`), vectorization (`vmap`), and parallelization (`pmap`). Use when building high-performance numerical computing and cutting-edge deep learning research.

G1Joshi/Agent-Skills

Expert Ray distributed computing assistance covering Ray Core (actors, tasks), Ray Train, Ray Tune, and Ray Serve. Use when scaling Python compute and ML training across multi-node clusters.

G1Joshi/Agent-Skills

Expert Git version control assistance covering branching, interactive rebase, cherry-pick, submodules, worktrees, and conflict resolution. Use when managing source code history and collaboration workflows.

G1Joshi/Agent-Skills

Expert K9s CLI assistance covering terminal Kubernetes cluster navigation, real-time log streaming, port forwarding, and pod debugging. Use when managing and troubleshooting Kubernetes clusters with speed.

G1Joshi/Agent-Skills

Expert SWC assistance covering high-performance Rust-based JavaScript/TypeScript compilation, .swcrc configuration, Jest testing via @swc/jest, and minification. Use when replacing Babel with SWC for faster builds, accelerating test execution, or compiling modern ECMAScript features.

G1Joshi/Agent-Skills

Expert Tig assistance covering text-mode interface for Git, interactive staging, commit graph visualization, diff exploration, and blame navigation. Use when navigating Git commit history in the terminal, staging hunks interactively, browsing file changes, or reviewing revisions.

G1Joshi/Agent-Skills

Expert Vim assistance covering modal editing, .vimrc configuration, registers, macros, search/replace, and plugin management via vim-plug. Use when editing text efficiently in terminal environments, writing Vimscript, recording macros, or configuring core Vim settings.

G1Joshi/Agent-Skills

Expert Zed editor assistance covering high-performance Rust-based text editing, multi-buffer editing, language server protocols (LSP), and AI assistant integrations. Use when configuring Zed settings.json, setting up language extensions, collaborating in real-time channels, or optimizing editor startup speed.

G1Joshi/Agent-Skills

Expert Zsh assistance covering shell customization, Oh My Zsh plugins, Zinit plugin manager, prompt engineering (Starship/Powerlevel10k), and shell scripting. Use when configuring .zshrc, writing Zsh automation scripts, optimizing shell startup time, or configuring tab-completion.

G1Joshi/Agent-Skills

Expert [skill-name] assistance covering [feature 1], [feature 2], and [feature 3]. Use when [working with X], [debugging Y], or [implementing Z].

Skills relacionados