К основному содержанию
скилл CX Codex

dataops — скилл для Claude Code: что делает и как установить

Справочник Microsoft по DataOps и DS/MLOps-тестированию: где проверять данные, как писать тесты пайплайнов и что считать дрифтом, а что — ошибкой валидации.

CC-BY-4.0 ★ 1 627 обновлён 2026-10-25

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add microsoft/hve-core --skill dataops -a claude-code
Открыть на GitHub

Что делает dataops

Скилл содержит пять референсов Microsoft CSE Engineering Playbook: семантику уровней данных (Bronze, Silver, Gold), правила размещения валидации на границе Bronze-to-Silver, инварианты пайплайнов (воспроизводимость, идемпотентность, тестируемость), категории pytest для DS/MLOps (загрузка данных, трансформации, предсказания модели, проверка данных) и различие между валидацией и обнаружением дрифта. Агент читает только тот референс, который нужен для текущей задачи — назначить уровень датасету, поместить валидацию, написать тест или выбрать метрики наблюдаемости.

Скилл генерирует код, утверждения и рекомендации для ревью, но не запускает пайплайны и не пишет в телеметрию. Каждое утверждение привязано к источнику Microsoft или помечено как производное от HVE Core. Без FFmpeg, Docker или Python-окружения скилл работает — это текстовый референс, а не исполняемый инструмент.

Работает с запросами вида «размести валидацию в пайплайне Bronze → Silver», «напиши pytest для модели», «различи дрифт и ошибку данных». Скилл остановится и перенаправит к telemetry-foundations запросы о названиях метрик, а к privacy-standards — о классификации чувствительности данных.

Какие задачи решает

  • разместить валидацию данных на правильной границе уровней
  • написать pytest для пайплайна, трансформации или модели
  • различить дрифт модели и ошибку валидации данных
  • задать инварианты воспроизводимости и идемпотентности пайплайна
  • проверить контракт генерации синтетических данных перед доступом к источнику

Примеры запросов агенту

  • Размести валидацию в пайплайне из Bronze в Silver и объясни, почему не раньше
  • Напиши pytest для загрузки данных и трансформации в prepare_dataset.py
  • Различи дрифт модели и ошибку валидации — какие метрики и что делать в каждом случае

Как установить dataops

1Через Skills CLI (Vercel)

npx skills add microsoft/hve-core --skill dataops -a claude-code

2Вручную: положить файлы

~/.claude/skills/dataops/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/dataops/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о dataops

Как установить dataops в Claude Code?

Выполни npx skills add microsoft/hve-core --skill dataops -a claude-code, скилл будет доступен в ~/.claude/skills/dataops/SKILL.md.

Что делает скилл dataops?

Скилл содержит справочники Microsoft по DataOps: семантику уровней данных, размещение валидации на границе Bronze-to-Silver, инварианты пайплайнов, категории pytest для DS/MLOps и различие между валидацией и дрифтом.

Чем валидация данных отличается от обнаружения дрифта?

Валидация проверяет соответствие схеме и ограничениям на входе, дрифт — изменение распределения данных или поведения модели со временем. Валидация останавливает пайплайн, дрифт требует переобучения или настройки.

Исходный текст

SKILL.md · CC-BY-4.0
---
name: dataops
description: "DataOps and DS/MLOps testing reference for data tiering, Bronze-to-Silver validation placement, pipeline invariants, pytest categories, and validation-versus-drift. Use when designing, reviewing, or generating data pipelines, transformation code, data validation, or data-science test suites."
license: CC-BY-4.0
user-invocable: false
metadata:
  authors: "Microsoft (Code With Engineering Playbook); Microsoft (planning synthesis)"
  spec_version: "1.0"
  last_updated: "2026-09-09"
  content_based_on: "https://microsoft.github.io/code-with-engineering-playbook/design/design-patterns/data-heavy-design-guidance/; https://microsoft.github.io/code-with-engineering-playbook/ml-and-ai-projects/testing-data-science-and-mlops-code/; https://microsoft.github.io/code-with-engineering-playbook/ml-and-ai-projects/ml-model-checklist/; https://microsoft.github.io/code-with-engineering-playbook/observability/ml-observability/"
---

# DataOps Reference Pack

## Goal

Ground pipeline and test generation in the Microsoft CSE engineering playbook so that data tier semantics, validation placement, recovery invariants, and DS/MLOps test technique are applied consistently and attributed accurately.

## Inputs

* The pipeline, transformation, validation, or test work under discussion
* The tier of each dataset involved, when the consuming workflow records one
* Existing test layout, package structure, and data-access boundaries
* A data classification produced elsewhere, when sensitivity matters

## Reference index

Read only the reference that matches the active concern.

| Reference                                                                                 | Read this when                                                                                                                                                     |
|-------------------------------------------------------------------------------------------|--------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| [data-tiers-and-pipeline-invariants.md](references/data-tiers-and-pipeline-invariants.md) | Assigning tier meaning, placing validation, routing malformed records, or asserting replay, idempotency, testability, source-control, and configuration invariants |
| [testing-data-science-and-mlops.md](references/testing-data-science-and-mlops.md)         | Writing or reviewing tests for data loading, transformation, model load or predict, data validation, or model robustness                                           |
| [validation-drift-and-observability.md](references/validation-drift-and-observability.md) | Distinguishing data validation from drift detection, choosing remediation, or deciding which data and model signals matter                                         |
| [synthetic-data-operation-contract.md](references/synthetic-data-operation-contract.md)   | Validating synthetic-data preflight authority, field lineage, conditional subgroup evidence, result linkage, or guarded local replacement                          |
| [provenance.md](references/provenance.md)                                                 | Confirming what is upstream guidance, what is HVE Core derivation, and where upstream is silent                                                                    |

## Success criteria

* Tier language distinguishes the three upstream quality tiers from the additional storage areas.
* Validation is placed at the Bronze-to-Silver boundary, and the faithful-copy rationale with both replay purposes travels with that placement whether or not the request challenges it.
* Test guidance names the operation category, its technique, and where mocking stops.
* Validation and drift keep their distinct definitions and their distinct remediation paths.
* Every claim traces to an attributed upstream source or is labelled as HVE Core guidance.
* Synthetic-data generation stops before source access or writes unless its applicable
  `SYNTHETIC_DATA_OPERATION_V1` preflight passes deterministic validation.

## Constraints

* This skill generates code, assertions, and review guidance. It does not execute pipelines, transformation engines, or telemetry backends.
* Reproduce only the minimum text necessary for a specific technical point, and paraphrase everything else. Attribute every reference and describe accurately what each reference reproduces.
* Label HVE Core derivations as such. Do not present a derived consequence or a repository convention as upstream guidance.
* Where upstream is silent, say so rather than inventing an upstream-sounding rule.

## Ownership boundaries

This skill decides *which* data and model signals matter. It does not own the vocabulary, the classification, or the surrounding workflow.

| Concern                                                                                      | Owner                   |
|----------------------------------------------------------------------------------------------|-------------------------|
| Metric names, instrument types, units, cardinality discipline, and the PII emission denylist | `telemetry-foundations` |
| Data sensitivity classification and DPIA thresholds                                          | `privacy-standards`     |
| Entity semantics, relationships, and which tier a dataset is recorded as                     | The calling workflow    |
| Feasibility assessment and go/no-go recommendation                                           | The calling workflow    |

No repository artifact currently owns the last two rows. When the caller supplies neither, state the gap rather than deciding tier assignment or feasibility here.

This skill never decides what is sensitive. It reads a classification produced elsewhere.

For synthetic-data operations, read
[synthetic-data-operation-contract.md](references/synthetic-data-operation-contract.md)
and validate records against
[synthetic-data-operation-v1.schema.json](assets/synthetic-data-operation-v1.schema.json).
The contract records qualified decisions by immutable reference; it does not store source
values or replace the authority of data, privacy, Responsible AI, fairness, or domain owners.

## Stop rules

* Stop and route metric naming, units, and cardinality to
  `telemetry-foundations`, the OpenTelemetry-aligned vocabulary and
  instrumentation skill. Route data sensitivity to `privacy-standards`, the
  privacy classification and DPIA-threshold reference.
* Stop and state the gap when the request depends on guidance the playbook does not provide, such as a drift threshold or an alerting policy.
* Stop and offer the correct placement when asked to validate before Bronze landing, rather than complying or refusing without an alternative.

## Attribution

This pack declares `CC-BY-4.0` because both bodies of content it holds carry that license.

Source pages are Microsoft CSE Code With Engineering Playbook documentation licensed CC BY 4.0. The upstream project applies MIT through a separate `LICENSE-CODE` file to code samples only, which this pack does not reproduce. The references derive from those documentation pages and have been changed: upstream guidance is paraphrased, and only identifiers and structural names are carried across as facts. `THIRD-PARTY-NOTICES` carries the attribution CC BY 4.0 requires and states that the content has been changed. Each reference cites its own upstream URL and states what it reproduces.

Content labelled as HVE Core derivation is repository-original material under CC BY 4.0. See [provenance.md](references/provenance.md) for the consolidated source map and derivation labels.

© microsoft · CC-BY-4.0 · microsoft/hve-core

Похожие скиллы

Все скиллы по теме «Данные и базы» →
ae-dataops ThinkingAIAgenticEngine Скилл ae-dataops для Claude Code обучает агента работать с DataOps через ae-cli: таблицами и полями, релизами флоу, бэкфиллами и SQL-запросами. Правки в хранилище выполняются из чата. CX Codex +1 1 000установок machine-learning-ops Seth Hobson Плагин machine-learning-ops для построения пайплайнов обучения моделей, подбора гиперпараметров и MLOps в Claude Code, Codex и Cursor. CX Codex ★ 42 780звёзд репо flutter-drift Stanislav [MADTeacher] Chernyshev Скилл flutter-drift для Claude Code ведёт агента при работе с локальной базой Drift: от таблиц и запросов до реактивных стримов, миграций схемы и тестов. CX Codex +1 696установок dart-drift Stanislav [MADTeacher] Chernyshev Скилл dart-drift для работы с Drift в Dart CLI, серверных и десктопных приложениях без Flutter: таблицы, запросы, миграции, PostgreSQL. CX Codex +1 479установок ml-pipeline-workflow Seth Hobson Скилл ml-pipeline-workflow для Claude Code помогает спроектировать ML-пайплайн от подготовки данных до развёртывания модели. Он подключается при создании MLOps-процессов и автоматизации обучения. CX Codex +1 11 122установок ml-pipeline https://github.com/Jeffallan Скилл ml-pipeline проектирует пайплайны машинного обучения: настраивает трекинг экспериментов в MLflow, собирает DAG для Kubeflow или Airflow и валидирует данные перед обучением. CX Codex +1 4 200установок

Из того же набора148

Весь набор →
CVE Analyzer Субагент CVE Analyzer для глубокого анализа CVE: проверяет достижимость уязвимого кода в проекте и возвращает статус VEX с доказательствами. CX Codex +1 ★ 1 627звёзд репо python-script Правило python-script задаёт стандарты написания утилит автоматизации на Python 3.11+ для Claude Code: управление пакетами через uv, строгие типы и единая структура CLI. CX Codex +1 ★ 1 627звёзд репо hve-artifact-authoring Скилл hve-artifact-authoring для Claude Code помогает создавать и проверять агентов, промпты, инструкции и скиллы для HVE Core. Помогает подготовить артефакт и проверить его в репозитории. CX Codex +1 ★ 1 627звёзд репо vex-generation Правило vex-generation задаёт требования к доказательствам, уровням уверенности и статусам при подготовке VEX-документов. Оно пригодится для анализа CVE с участием ИИ. CX Codex +1 ★ 1 627звёзд репо session-log-canvas-update Скилл session-log-canvas-update сверяет схемы событий сессий Copilot с базовой структурой канваса. Помогает адаптировать парсер, тесты и отображение к новым релизам. CX Codex +1 ★ 1 627звёзд репо Backlog Grooming Субагент Backlog Grooming проверяет открытые GitHub issues, сопоставляет их с кодом и историей репозитория и выдаёт отчёт для поддержки бэклога. CX Codex +1 ★ 1 627звёзд репо git-commit Скилл git-commit для Claude Code пошагово уточняет пути для коммита, стейджит только их и создаёт один локальный коммит в формате Conventional Commits или готовит текст сообщения без коммита. CX Codex +1 ★ 1 627звёзд репо ux-coaching Скилл ux-coaching ведёт UX-специалиста через формулирование проблемы, дизайн-критику или защиту решений перед стейкхолдерами через наводящие вопросы. CX Codex +1 ★ 1 627звёзд репо

Спонсоры проекта

Компании, которые помогают держать аналитику открытой