1. 基本信息
| 项目 | 内容 |
|---|---|
| 名称 | bigquery-pipeline-audit-github-awesome-copilot |
| 作者/维护者 | Aaron Powell（提交者，个人开发者） |
| 来源链接 | https://github.com/github/awesome-copilot/tree/main/skills/bigquery-pipeline-audit |
| 许可证 | MIT（合集仓库统一许可证，来自 GitHub API） |
| GitHub Stars | 合集仓库 39,081（来自 GitHub API；该数字属整个 awesome-copilot 合集，不代表本技能自身热度） |
| Forks | 合集仓库层面统计，不代表本技能自身 |
| 最新版本 | 无独立版本号，最近一次改动 2026-02-25（GitHub API） |
| 安装方式 | 复制 skills/bigquery-pipeline-audit/SKILL.md 到 agent 的 skills 目录即可，无需额外配置 |
2. 功能介绍与亮点
这是一份针对 Python + BigQuery 数据管线的结构化审计提示词，让 agent 扮演资深数据工程师，按 A 到 F 六个维度逐项审查代码：
- 成本暴露排查：定位循环/重试中触发的 BigQuery 任务，检查是否设置
maximum_bytes_billed，识别重复执行的相同查询 - 执行模式校验：要求脚本具备
dry_run与execute双模式，且生产环境不能是默认值 - 回填与循环设计：硬性否决“按日期/按实体逐条跑查询”的反模式，要求用集合查询或分块处理替代
- 查询安全与扫描量：检查分区过滤是否命中裁剪、是否有
SELECT *、JOIN 是否可能爆炸 - 写入幂等性：核实每次写入是否用
MERGE、暂存表切换或去重视图，避免重跑产生重复数据 - 可观测性：检查失败是否会被静默吞掉、每个 BQ 任务是否记录 job ID 与字节数
输出格式固定为“逐维度 PASS/FAIL + 按风险排序的补丁清单 + 若 FAIL 则给出前 3 大成本风险的量化估算”，直接可用，不需要额外提示词工程。
3. 适用场景
所属分类：数据分析与可视化（ETL/SQL 类）。适用于用 Python 调用 BigQuery 跑批处理、ETL 或回填任务的数据工程师与分析工程师，尤其是在代码上线前做一次“能不能安全重跑、会不会跑出天价账单”的把关。也适合团队做 code review 时作为固定检查清单，减少人工逐条盯成本隐患的负担。
4. 跨 Agent 兼容性
| Agent | 结论 | 依据 |
|---|---|---|
| Claude Code | 原生支持 | 标准 SKILL.md（YAML front matter + Markdown 正文），符合 agentskills.io 开放规范，复制进 skills 目录即可 |
| Codex | 原生支持 | 同一开放规范，无工具专属语法或依赖 |
| OpenClaw | 原生支持 | agentskills.io 规范由 Claude Code、OpenClaw、Cursor 等共同采用，本技能不含平台专属 metadata 块 |
| Hermes Agent | 原生支持 | Hermes 在 ~/.hermes/skills/ 下自动发现同结构的 SKILL.md 文件夹，本技能零依赖、零环境变量，兼容 |
本技能不调用任何外部 API、不要求任何环境变量，纯提示词驱动，因此四端兼容性由格式本身保证，未发现平台专属障碍。
5. 推荐理由
数据工程师最容易在两件事上栽跟头：一次性跑出失控账单、重跑任务时数据被写重复两次。这份技能把这两类事故的排查标准写成了一份可直接套用的检查清单，覆盖成本、幂等性、可观测性三个最容易被忽略的维度，且给出的修复建议是“最小补丁”而非推倒重来，上线前跑一遍能显著降低生产事故概率。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 7 | 收录于 39k star 的 awesome-copilot 官方合集，但合集 stars 不代表本技能自身热度；提交者身份可查（真实 GitHub 账号），未查到该技能自身的独立第三方讨论或使用数据 |
| 可用性 | 8 | 零依赖、零配置、复制即用，审计框架完整覆盖六大维度并给出结构化输出模板；最近一次更新为 2026-02-25（约 7 个月前），略超“近 3 个月维护”门槛 |
| 安全性 | 9 | 纯提示词/审查类技能，不执行任何 shell 命令、不产生任何外部网络请求，仅对用户提供的代码文本做静态分析 |
安全检查清单： ① 无 shell 执行 ② 无外联 ③ 无需 API key/凭据 ④ 未发现可疑指令或夹带内容 ⑤ 提交者身份可查（真实 GitHub 账号，无刷星或造假迹象），信誉正常 ⑥ MIT License 明确 ⑦ 最近维护约 7 个月前，因是纯静态提示词，无外部依赖会腐化，风险有限
7. 跟同类 Skills 相比的优势
| 技能 | 定位 | 与本技能的差异 |
|---|---|---|
| Power BI DAX Optimization（同合集） | 优化单条 DAX 计算表达式的性能与可读性 | 服务对象是 BI 报表建模者，不涉及数据管线的成本/幂等性审计 |
| Datanalysis Credit Risk（同合集） | 信贷风控场景下的数据清洗与变量筛选流水线 | 是一套可执行 Python 流水线，产出建模用特征集，而非代码审查报告 |
| 通用 code review 类技能 | 面向任意语言的通用代码评审 | 缺少 BigQuery 计费模型、分区裁剪、MERGE 幂等写入等数据平台专属知识，无法识别“循环里跑 BQ 查询”这类领域特定反模式 |
本技能的差异化在于把“数据管线安全上线”这个专项场景的经验固化成了机械可执行的检查表，而不是泛化的代码风格建议。
8. 用户评价
该技能目前在第三方平台（GitHub Discussions、Reddit、Hacker News 等）尚无具名用户评价。
9. 其他补充
原为 GitHub Copilot 的 prompt 文件，2026-02-25 由提交者迁移为标准 SKILL.md 格式后并入 awesome-copilot 合集，语言与结构未变。
10. 安装使用方式
- 克隆或下载
github/awesome-copilot仓库，取出skills/bigquery-pipeline-audit/SKILL.md - 复制到对应 agent 的 skills 目录（如 Claude Code 的
.claude/skills/bigquery-pipeline-audit/） - 在对话中提供要审计的 Python + BigQuery 脚本内容，触发词如“审计这个 BigQuery 管线的成本安全性”
- 无需重启、无需额外配置；技能输出即为最终审计报告，可直接贴给团队做上线前检查
11. 注意事项
- 本技能仅做静态审查、不会替你运行任何 BigQuery 查询或产生实际费用，审计结论仍需人工复核后再落地
- 审计框架针对 Python + BigQuery 组合设计，用于其他云数据仓库（如 Snowflake、Redshift）时需要自行调整术语与 API
- 最近一次更新距今约 7 个月，若 BigQuery 计费模型或 API 有较大变动，建议使用前自行核实清单条目是否仍然适用