# dataops

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

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, Windsurf (Devin Desktop), Claude.ai · ★ 1627 у репозитория
- Автор: microsoft
- Лицензия: CC-BY-4.0 · policy=mirror · лицензия открытая, файл — в исходнике
- Исходник: https://github.com/microsoft/hve-core/tree/HEAD/.github/skills/data-science-engineering/dataops/SKILL.md
- Обновлён: 2026-10-25
- Проверка безопасности: автоматическая, 2026-11-16 (текст) — признаков вредоносного кода не нашли.
- HTML: https://affpapa.org/nevibecode/skills/dataops

## Что делает

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.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add microsoft/hve-core --skill dataops -a claude-code
```

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

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add microsoft/hve-core --skill dataops -a codex
```

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

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add microsoft/hve-core --skill dataops -a cursor
```

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

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install microsoft/hve-core .github/skills/data-science-engineering/dataops
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/dataops/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add microsoft/hve-core --skill dataops -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/microsoft/hve-core --path .github/skills/data-science-engineering/dataops
```

### Windsurf (Devin Desktop)

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

### 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/microsoft/hve-core/tree/HEAD/.github/skills/data-science-engineering/dataops/SKILL.md

## Когда брать
- 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

## Похожие
- [ae-dataops](https://affpapa.org/nevibecode/skills/ae-dataops.md) — скилл · 1000 установок
- [machine-learning-ops](https://affpapa.org/nevibecode/plugins/machine-learning-ops.md) — плагин · ★ 42780 у репозитория
- [flutter-drift](https://affpapa.org/nevibecode/skills/flutter-drift.md) — скилл · 696 установок
- [dart-drift](https://affpapa.org/nevibecode/skills/dart-drift.md) — скилл · 479 установок
- [ml-pipeline-workflow](https://affpapa.org/nevibecode/skills/ml-pipeline-workflow.md) — скилл · 11122 установки
- [ml-pipeline](https://affpapa.org/nevibecode/skills/ml-pipeline.md) — скилл · 4200 установок

Из того же набора: [microsoft/hve-core](https://affpapa.org/nevibecode/by/microsoft/hve-core.md) — 148 карточек

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