# databricks-ai-functions

Скилл учит агента вызывать встроенные AI-функции Databricks прямо в SQL и PySpark. Пригодится, когда нужно добавить модель в пайплайн без настройки эндпоинтов.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 306 установок · ★ 368
- Автор: databricks
- Лицензия: LicenseRef-Unknown · policy=link-only · показываем только описание, файл — у автора
- Исходник: https://github.com/databricks/databricks-agent-skills/tree/HEAD/skills/databricks-ai-functions/SKILL.md
- Обновлён: 2026-10-24
- HTML: https://affpapa.org/nevibecode/skills/databricks-ai-functions

## Что делает

Скилл описывает набор встроенных функций Databricks: классификация, извлечение полей, суммаризация, маскирование PII, перевод, проверка грамматики, генерация, анализ тональности, семантическое сравнение, парсинг документов, подготовка поиска, произвольный запрос к эндпоинту и прогноз временных рядов. Агент получает справочник по каждой функции: входные типы, формат вывода, дополнительные требования.

Внутри — разбор задач и готовые шаблоны вызовов. Классификация и извлечение возвращают VARIANT, читать его нужно через оператор `:` — например, `:response[0]::STRING`. В PySpark те же вызовы идут внутри `expr(...)`. Отдельно разобрана сборка RAG-пайплайна: парсинг документа, нарезка на фрагменты, индексация и запрос.

Базовые требования общие для всех функций: DBR 15.1+ в ноутбуках или 15.4 ML LTS для батча, не SQL Warehouse Classic, и регион должен поддерживать AI Functions. Для парсинга документов нужен DBR 17.3+, для подготовки поиска — DBR 18.2+. У `ai_query` и `ai_forecast` свои условия: Pro или Serverless warehouse и право `CAN QUERY` на эндпоинт. Каждый вызов — это инференс модели, он тарифицируется по токенам и идёт небыстро, поэтому результат стоит материализовать в Delta-таблицу один раз, а дальше читать дешёвый вывод. Советую начать с этого: если гонять функцию в каждом downstream-запросе, счёт за токены вырастет быстро.

## Требования
- Работает с: Databricks

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add databricks/databricks-agent-skills --skill databricks-ai-functions -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/databricks-ai-functions/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/databricks-ai-functions/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add databricks/databricks-agent-skills --skill databricks-ai-functions -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/databricks-ai-functions/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add databricks/databricks-agent-skills --skill databricks-ai-functions -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/databricks-ai-functions/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install databricks/databricks-agent-skills databricks-ai-functions
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/databricks-ai-functions/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add databricks/databricks-agent-skills --skill databricks-ai-functions -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/databricks/databricks-agent-skills --path skills/databricks-ai-functions
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/databricks-ai-functions/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add databricks/databricks-agent-skills --skill databricks-ai-functions -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/databricks/databricks-agent-skills/tree/HEAD/skills/databricks-ai-functions/SKILL.md

## Когда брать
- разметить обращения клиентов по фиксированным меткам без отдельного сервиса
- вытащить поля из текста в структуру прямо в SQL-запросе
- замаскировать персональные данные перед выгрузкой
- собрать RAG-пайплайн из PDF: парсинг, нарезка, индексация, поиск
- построить прогноз временного ряда по таблице наблюдений

## Примеры запросов агенту
- Напиши SQL-запрос с ai_classify по колонке content и метками technical, billing, other
- Как прочитать поле response из VARIANT, который вернул ai_extract?
- Собери пайплайн: ai_parse_document, потом ai_prep_search, потом индексация и запрос

## Похожие
- [neon-ai-gateway](https://affpapa.org/nevibecode/skills/neon-ai-gateway.md) — скилл · 27700 установок
- [sql-queries](https://affpapa.org/nevibecode/skills/sql-queries.md) — скилл · 4500 установок
- [migrating-dbt-project-across-platforms](https://affpapa.org/nevibecode/skills/migrating-dbt-project-across-platforms.md) — скилл · 526 установок
- [neo4j-graphrag-skill](https://affpapa.org/nevibecode/skills/neo4j-graphrag-skill.md) — скилл · 1100 установок
- [rag-engineer](https://affpapa.org/nevibecode/skills/sickn33-rag-engineer.md) — скилл · 1000 установок
- [senior-ml-engineer](https://affpapa.org/nevibecode/skills/senior-ml-engineer.md) — скилл · 915 установок

_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