1. 基本信息
| 项目 | 内容 | 数据来源 |
|---|---|---|
| 名称 | bigquery-ai-ml-google-skills（SKILL.md 自述名称：“BigQuery AI & ML”） | GitHub 仓库 + SKILL.md |
| 作者/维护者 | Google（官方 google/skills 仓库，Cloud IX 团队维护） |
GitHub API（组织账号 google） |
| 来源链接 | https://github.com/google/skills/tree/main/skills/cloud/bigquery-ai-ml | — |
| 许可证 | Apache-2.0 | GitHub API 实测 |
| GitHub Stars / Forks | 所属仓库 15,329 / 1,201（整仓库口径——本技能所在的 google/skills 是 Google 官方发布的多技能合集，非本技能独立仓库，星数不代表单个技能热度） |
GitHub API 实测（2026-07-30） |
| 最新版本 | 无独立版本号；子目录最近一次实质更新 2026-06-26 | GitHub commits API 实测 |
| 安装方式 | npx skills add google/skills，交互式选择 bigquery-ai-ml 或指定 --skill bigquery-ai-ml |
官方 README 实测 |
2. 功能介绍与亮点
bigquery-ai-ml 是 Google 官方 Agent Skills 仓库中面向 BigQuery 内置 AI/ML SQL 函数的技能，教 Agent 直接用 SQL 语句调用 BigQuery 与 Vertex AI 集成的预测、异常检测、归因分析与生成式 AI 能力，无需另建训练管道：
- 四个核心函数逐一覆盖：
AI.FORECAST（基于预训练 TimesFM 模型的时间序列预测）、AI.DETECT_ANOMALIES（同模型做异常检测）、AI.KEY_DRIVERS（自动识别驱动指标变化的关键维度组合）、AI.GENERATE（调用 Gemini 模型做文本/结构化内容生成，支持处理 Cloud Storage 中的图片） - 主文档做路由、细节下沉到参考文档：SKILL.md 正文简洁（约 30 行），仅做函数概览与索引，每个函数的完整语法、参数表、输出 Schema 与可运行示例分别放在 4 篇独立参考文档中，避免主文档过长稀释关键信息
- 示例基于真实公开数据集：所有 SQL 示例直接引用 BigQuery 公开数据集（如
bigquery-public-data.new_york.citibike_trips），可复制即跑，不需要用户自建测试数据 - 与姊妹技能职责分离：文末明确指向同仓库的
bigquery-basics（核心概念、资源管理、CLI），本技能专注 AI/ML SQL 函数，边界清晰不重叠
3. 适用场景
所属分类：数据分析与可视化
适合已经在用 BigQuery 存储数据、希望不搬数据到外部平台、直接用标准 SQL 完成时间序列预测、异常检测、关键驱动因素分析或生成式内容生成的数据分析师与数据工程师，尤其是不想为一次性预测任务另起训练管道的场景。
4. 跨 Agent 兼容性
google/skills 通过 npx skills add 分发器安装，该安装器（vercel-labs/skills）README 的 Supported Agents 表格逐一列出各生态的确切安装路径：
| 生态 | 结论 | 依据 |
|---|---|---|
| Claude Code | ✅ 支持 | 分发器表格列出 .claude/skills/ 项目路径与 ~/.claude/skills/ 全局路径 |
| Codex | ✅ 支持 | 分发器表格以 codex 标识列出 .agents/skills/ 与 ~/.codex/skills/ |
| OpenClaw | ✅ 支持 | 分发器表格列出 skills/ 项目路径与 ~/.openclaw/skills/ 全局路径 |
| Hermes Agent | ✅ 支持 | 分发器表格列出 .hermes/skills/ 项目与全局路径 |
5. 推荐理由
Google 官方出品，把四个原本分散在 BigQuery 文档各处的 AI/ML SQL 函数（预测、异常检测、归因、生成）整理成一份结构清晰、示例可直接运行的技能包，让 Agent 不必逐个查阅官方文档就能写出正确调用语法，且全程留在 SQL 里、不引入额外的模型训练与部署环节。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 7 | Google 官方出品，但该子技能本身尚无独立第三方讨论或评价（提交记录均为内部批量同步账号，零外部 issue/评论），仓库整体星数不计入个体评分 |
| 可用性 | 8 | 一条 npx 命令即可安装；主文档+4 篇参考文档结构清晰、示例可直接复制运行；近一个月内有实质更新；纯 SQL 调用，无需额外 MCP 中间层，唯一前提是拥有标准 BigQuery/Vertex AI 访问权限（这是使用该功能本身的通用前提，非技能独有依赖） |
| 安全性 | 9 | 官方组织出品、Apache-2.0 完全开源可审计；技能本身只生成 SQL 语句建议，不执行 shell 命令、不产生额外网络外发；无可疑指令 |
安全检查清单： ① Shell 命令：技能不涉及 shell 命令执行，仅指导生成 BigQuery SQL 语句 → 不扣分 ② 联网外发：数据处理均在用户自己的 BigQuery/Vertex AI 项目内完成，无第三方外发 → 不扣分 ③ 凭据：依赖标准 GCP 身份认证与项目内 Vertex AI 连接配置，存储方式遵循官方约定 → 不扣分 ④ 可疑指令：正文与四篇参考文档均为技术性语法参考，未发现隐蔽指令或混淆代码 → 不扣分 ⑤ 作者信誉：Google 官方组织账号，无造假迹象 → 不扣分 ⑥ License：Apache-2.0，明确 → 不扣分 ⑦ 维护时间：子目录最近实质提交 2026-06-26，一个月内 → 不扣分
7. 跟同类 Skills 相比的优势
| 竞品 | 定位 | 与 bigquery-ai-ml 的差异 |
|---|---|---|
| bigquery-bigframes（Google 官方，同仓库） | 用 pandas/scikit-learn 风格的 BigFrames Python API 在 notebook 中做 DataFrame 处理与建模 | bigquery-bigframes 面向已写 Python 代码、需要灵活自定义建模流程的数据科学家；bigquery-ai-ml 面向纯 SQL 场景，一条 SELECT 语句即可拿到预测或异常检测结果，无需切换到 Python 环境 |
| bigquery-basics（Google 官方，同仓库） | BigQuery 核心概念、资源管理、CLI 与客户端库入门 | bigquery-basics 教的是“如何管理和查询 BigQuery 资源”，属于基础设施层；bigquery-ai-ml 教的是“如何用内置函数做预测和生成”，属于分析应用层，两者互补而非重叠 |
| databricks-core（Databricks 官方） | 打通 Databricks CLI 认证与集群/数据探索的入口技能 | databricks-core 解决的是连接与身份认证问题，本身不含具体的预测或异常检测语法；bigquery-ai-ml 直接提供可运行的 AI/ML SQL 函数调用范式，两者所属平台不同、解决的问题层次也不同 |
8. 用户评价
该技能目前在第三方平台尚无具名用户评价。其所属的 google/skills 仓库于 2026 年 4 月 Google Cloud Next 大会上作为官方项目正式发布，bigquery-ai-ml 是仓库内持续迭代的子技能之一，最近一次实质内容更新（新增 AI.KEY_DRIVERS 函数支持）发生在 2026 年 6 月下旬。
9. 安装使用方式
- 通用安装：
npx skills add google/skills，交互列表中勾选 “BigQuery AI & ML”，或直接执行npx skills add google/skills --skill bigquery-ai-ml指定安装 - 安装后：技能文件落地为
<agent 目录>/skills/bigquery-ai-ml/，内含SKILL.md与references/下 4 篇函数参考文档（AI.FORECAST、AI.DETECT_ANOMALIES、AI.GENERATE、AI.KEY_DRIVERS）；agent 会依据 SKILL.md 头部 description 中的触发条件（涉及 BigQuery 时间序列预测、异常检测、归因分析或生成式 AI）自动匹配加载 - 前置条件：需已开通 BigQuery 项目并完成标准 GCP 身份认证，
AI.GENERATE额外需要配置指向 Vertex AI 端点的 BigQuery 连接（connection_id），这是使用该功能本身的通用前提，非该技能独有要求
10. 注意事项
- 技能只生成 SQL 语句建议，不会自动执行查询或写入数据；涉及生成式内容写回业务表等操作时，仍建议使用者自行确认目标数据集
AI.FORECAST与AI.DETECT_ANOMALIES依赖预训练的 TimesFM 模型，要求输入数据至少包含 3 个数据点，数据量过少时函数会返回错误状态而非静默失败- 内容以英文撰写，中文用户需自行理解正文与参考文档
- 该子技能与仓库内其他部分共享同一批内部批量同步提交历史，暂无该子技能层面的独立版本发布记录