# creating-data-lake-table

Создаёт управляемые таблицы Iceberg в Amazon S3 Tables: бакет, namespace, схему, партиционирование и доступ. Нужен, когда данные надо хранить в аналитическом виде.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 6500 установок · ★ 3282
- Автор: aws
- Лицензия: Apache-2.0 · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/aws/agent-toolkit-for-aws/tree/HEAD/plugins/aws-data-analytics/skills/creating-data-lake-table/SKILL.md
- Обновлён: 2026-10-23
- HTML: https://affpapa.org/nevibecode/skills/creating-data-lake-table

## Что делает

Скилл ведёт агента по шагам создания таблицы в Amazon S3 Tables через API `s3tables`. Сначала проверка: если пользователь упомянул базу, агент обязан выполнить `aws glue get-tables --database-name <NAME>` и посмотреть, что уже есть. Найденную таблицу вне S3 Tables он не пересоздаёт — сначала спросит подтверждение.

Дальше по порядку: проверка региона и учётных данных через `aws sts get-caller-identity`, разбор схемы, создание table bucket, namespace, регистрация в Glue Data Catalog, настройка прав и сама таблица. Имена только строчными буквами, дефисы в namespace и имени таблицы запрещены — Glue отвечает ошибкой `GENERIC_INTERNAL_ERROR`. Метаданные передаются JSON с вложенным ключом `iceberg`, а `partitionSpec.sourceId` должен указывать на существующее поле схемы.

Права живут в отдельном пространстве `s3tables:*`, не в `s3:*`, и агент не создаёт IAM-роли сам — только проверяет существующие и подсказывает. Для сложных типов вроде list, map и struct нужна `schemaV2` с явными field ID. Если данные уже лежат в S3, скилл создаёт пустую таблицу, а загрузку отдаёт скиллу `ingesting-into-data-lake`.

## Требования
- Работает с: AWS

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add aws/agent-toolkit-for-aws --skill creating-data-lake-table -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/creating-data-lake-table/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/creating-data-lake-table/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add aws/agent-toolkit-for-aws --skill creating-data-lake-table -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/creating-data-lake-table/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add aws/agent-toolkit-for-aws --skill creating-data-lake-table -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/creating-data-lake-table/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install aws/agent-toolkit-for-aws creating-data-lake-table
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/creating-data-lake-table/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add aws/agent-toolkit-for-aws --skill creating-data-lake-table -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/aws/agent-toolkit-for-aws --path plugins/aws-data-analytics/skills/creating-data-lake-table
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/creating-data-lake-table/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add aws/agent-toolkit-for-aws --skill creating-data-lake-table -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/aws/agent-toolkit-for-aws/tree/HEAD/plugins/aws-data-analytics/skills/creating-data-lake-table/SKILL.md

## Когда брать
- создать таблицу Iceberg в S3 Tables с нужной схемой
- зарегистрировать таблицу в Glue Data Catalog
- выбрать партиционирование под частые запросы
- выдать права на чтение таблицы отдельному принципалу
- проверить, нет ли уже таблицы с таким именем

## Примеры запросов агенту
- Создай таблицу Iceberg в S3 Tables для заказов: order_date date, customer_id string, amount double, партиции по месяцу
- Проверь через `aws glue get-tables`, есть ли уже таблица с таким именем, и только потом создавай
- Настрой доступ на чтение этой таблицы для принципала из Athena

## Похожие
- [iac-terraform-data-engineering](https://affpapa.org/nevibecode/skills/iac-terraform-data-engineering.md) — скилл · 1800 установок
- [iac-data-engineering-terraform](https://affpapa.org/nevibecode/skills/iac-data-engineering-terraform.md) — скилл · 1800 установок
- [google-cloud-solution-agentic-ai-borderless-data-lakehouse](https://affpapa.org/nevibecode/skills/google-cloud-solution-agentic-ai-borderless-data-lakehouse.md) — скилл · 5100 установок
- [aws-rds-spring-boot-integration](https://affpapa.org/nevibecode/skills/aws-rds-spring-boot-integration.md) — скилл · 3700 установок
- [dynamodb-toolbox-patterns](https://affpapa.org/nevibecode/skills/dynamodb-toolbox-patterns.md) — скилл · 3500 установок
- [opensearch-skills](https://affpapa.org/nevibecode/skills/opensearch-skills.md) — скилл · 571 установка

Из того же набора: [aws/agent-toolkit-for-aws](https://affpapa.org/nevibecode/by/aws/agent-toolkit-for-aws.md) — 133 карточки

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md