Communitygithub.com

G1Joshi/Agent-Skills

Assistência especializada em dbt (data build tool) cobrindo modelagem SQL, macros Jinja, testes, documentação e camada semântica. Use ao construir pipelines de engenharia de analytics no BigQuery, Snowflake ou PostgreSQL.

O que é Agent-Skills?

Este skill capacita agentes de IA a oferecer assistência especializada em dbt (data build tool), uma ferramenta líder para engenharia de analytics que gerencia transformações de dados diretamente no data warehouse usando SQL. Ele é ideal para cenários como modelagem SQL modular com Jinja, testes de qualidade de dados, documentação automatizada e lineage de dependências. O skill cobre os conceitos centrais do dbt, incluindo o uso de `ref()` e `source()` para resolução de dependências, materializações incrementais para eficiência em grandes volumes, e macros Jinja para lógica reutilizável. Suporta práticas recomendadas modernas, como organização de projetos em camadas (staging, intermediate, marts) e integração de testes em pipelines de CI. A documentação inclui guias de início rápido, exemplos de código SQL e YAML, e uma tabela de solução de problemas para erros comuns, como dependências não encontradas ou violações de chave única. O conteúdo é projetado para ser executado em agentes como Claude Code, Cursor ou Codex em ambientes Cloud (Snowflake, BigQuery, Databricks, Redshift), fornecendo orientação precisa e acionável para engenheiros de dados.

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

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

dbt (Data Build Tool)

dbt gerencia transformações de dados no warehouse usando SQL. A versão v2.0 introduz o Fusion Engine (Rust) para desempenho.

Quando usar

  • Engenharia de Analytics e Transformações de Dados: Transformar dados brutos dentro de data warehouses cloud modernos (Snowflake, BigQuery, Databricks, Redshift).
  • SQL Modular com Jinja e Controle de Versão: Construir modelos SQL reutilizáveis com dependências DAG e macros.
  • Testes de Qualidade e Esquema de Dados: Aplicar testes unique, not_null, integridade referencial e testes singulares personalizados.
  • Documentação Automatizada e Lineage de Dados: Gerar gráficos interativos de lineage de dependências diretamente a partir dos esquemas do codebase.

Início 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)

Conceitos Principais

#Modelagem SQL Declarativa com ref() e source()

Construindo modelos de transformação com resolução de dependências:

-- 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

#Testes de Esquema e Documentação em YAML

Aplicando restrições de colunas e documentação:

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

models:
  - name: fct_customer_orders
    description: "Tabela fato diária de pedidos de clientes, combinando pedidos e dimensões de clientes da staging."
    columns:
      - name: order_id
        description: "Chave primária dos pedidos."
        tests:
          - unique
          - not_null

      - name: customer_id
        description: "Chave estrangeira referenciando a staging de clientes."
        tests:
          - not_null
          - relationships:
              to: ref('stg_customers')
              field: customer_id

      - name: total_amount_usd
        description: "Valor total da transação em USD."
        tests:
          - not_null

#Macros Jinja para Lógica Reutilizável DRY

Criando utilitários SQL personalizados reutilizáveis:

-- 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 no modelo:
select
    id,
    {{ cents_to_dollars('amount_in_cents') }} as amount_usd
from {{ ref('stg_payments') }}

Padrões Comuns

Modelos Incrementais com Filtragem por Timestamp

Problema: Reconstruir tabelas com bilhões de linhas do zero em toda execução do dbt é lento e caro.

Solução: Use materialização incremental com is_incremental():

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

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

{% if is_incremental() %}
  -- Apenas consultar linhas criadas após o evento mais recente na tabela de destino
  where event_timestamp > (select max(event_timestamp) from {{ this }})
{% endif %}

Melhores Práticas (2026)

  • Faça organize projetos em camadas padrão: staging (1-para-1 com fontes brutas), intermediate e marts.
  • Faça sempre use {{ ref('nome_do_modelo') }} e {{ source('nome_da_fonte', 'nome_da_tabela') }} para manter o lineage DAG.
  • Faça implemente modelos incrementais (materialized='incremental') para tabelas fato com milhões de linhas.
  • Faça execute dbt test em pipelines de CI em cada pull request para detectar regressões de esquema de dados.
  • Não faça escreva referências diretas a tabelas do banco (ex.: analytics.raw.users); sempre use source() ou ref().
  • Não faça realize lógica de negócios dentro de modelos de staging; staging deve apenas limpar, converter tipos e renomear colunas.
  • Não faça hardcode de ambientes (dev vs prod); use condicionais com target.name no profiles.yml.

Solução de Problemas

ErroCausaSolução
Compilation Error: Model '...' depends on a node named '...' which was not foundErro de digitação em {{ ref('nome_do_modelo') }} ou arquivo de modelo ausente.Verifique se o nome do arquivo do modelo corresponde exatamente à string referenciada.
dbt test failed: unique constraint violatedChaves duplicadas geradas por condição de junção não única.Inspecione as chaves duplicadas no SQL compilado em target/compiled/.
Schema change error during incremental runO modelo upstream adicionou/removeu colunas quebrando a tabela incremental existente.Execute com --full-refresh uma vez para reconstruir o esquema: dbt run --full-refresh.

Referências

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].

Habilidades Relacionadas