¿Qué hace bigdata-analysis-skill?
AI coding skill for Hive/Impala/Spark ETL — 10 rules to prevent silent data bugs on HDFS/YARN
Habilidad de codificación con IA para ETL con Hive/Impala/Spark — 10 reglas para prevenir bugs silenciosos de datos en HDFS/YARN.
Oak-B/bigdata-analysis-skill es una habilidad de codificación con IA centrada en el desarrollo ETL de Big Data, diseñada específicamente para los frameworks Hive, Impala y Spark. Proporciona 10 reglas cuidadosamente elaboradas para ayudar a los desarrolladores a prevenir bugs silenciosos de datos (silent data bugs) en entornos HDFS y YARN, errores que son difíciles de detectar y que pueden causar graves problemas de calidad de datos. La habilidad abarca las mejores prácticas para la escritura de consultas, gestión de particiones de datos, optimización de recursos y programación de tareas, ofreciendo sugerencias de código accionables y estrategias de optimización. Ya sea que seas ingeniero de datos, analista de datos o desarrollador de agentes de IA, te beneficiarás de esta habilidad, especialmente al construir pipelines de datos estables y eficientes. Compatible con las principales plataformas de codificación con IA, como Claude Code, Cursor y Codex, los usuarios pueden activar estas reglas mediante prompts simples para revisar o generar código ETL más robusto. Siguiendo estas reglas, los equipos pueden reducir significativamente las fallas en producción debidas a inconsistencias o pérdidas de datos, mejorando la confiabilidad y el mantenimiento de los pipelines de datos.
npx skills add Oak-B/bigdata-analysis-skillInstalled? Explore more Investigación y análisis de datos skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
AI coding skill for Hive/Impala/Spark ETL — 10 rules to prevent silent data bugs on HDFS/YARN
USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.
Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.
Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.
The agent harness performance optimization system. Skills, instincts, memory, security, and research-first development for Claude Code, Codex, Opencode, Cursor and beyond.
Agent skill repository discovered by 10x-chat research.
Review backend code for quality, security, maintainability, and best practices based on established checklist rules. Use when the user requests a review, analysis, or improvement of backend files (e.g., `.py`) under the `api/` directory. Do NOT use for frontend files (e.g., `.tsx`, `.ts`, `.js`). Supports pending-change review, code snippets review, and file-focused review.