# harvard-artifacts-data-pipeline

Скилл собирает пайплайн от загрузки данных Harvard Art Museums API до дашборда на Streamlit с SQL-аналитикой.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 1800 установок · ★ 5
- Автор: reason-machines
- Лицензия: LicenseRef-Unknown · policy=link-only · показываем только описание, файл — у автора
- Исходник: https://github.com/reason-machines/data-skills/tree/HEAD/skills/harvard-artifacts-data-pipeline/SKILL.md
- Обновлён: 2026-10-09
- HTML: https://affpapa.org/nevibecode/skills/harvard-artifacts-data-pipeline

## Что делает

Скилл ведёт агента по всему маршруту: выгрузка объектов из Harvard Art Museums API с пагинацией и паузами между запросами, преобразование вложенного JSON в три таблицы, загрузка в MySQL или TiDB Cloud и визуализация в Streamlit с графиками Plotly.

Схема из трёх таблиц: `artifactmetadata` с полями вроде `objectid`, `culture`, `century`, `accessionyear`, `artifactmedia` с `imagecount`, `videocount`, `primaryimageurl` и `artifactcolors` с `color`, `spectrum`, `hue`, `percent`. Связи — через внешние ключи по `objectid`. Внутри есть готовые шаблоны кода для запросов, трансформации и пакетной вставки с `ON DUPLICATE KEY UPDATE`, плюс набор аналитических запросов.

Перед запуском нужен ключ Harvard Art Museums API и доступ к базе: скилл читает `HARVARD_API_KEY`, `DB_HOST`, `DB_USER`, `DB_PASSWORD` и `DB_NAME` из окружения. Без ключа запросы к API вернут ошибку, а без настроенного подключения данные некуда загружать. Зависимости ставятся из `requirements.txt`: `streamlit`, `pandas`, `requests`, `mysql-connector-python`, `plotly`, `python-dotenv`.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add reason-machines/data-skills --skill harvard-artifacts-data-pipeline -a claude-code
```

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

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add reason-machines/data-skills --skill harvard-artifacts-data-pipeline -a codex
```

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

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add reason-machines/data-skills --skill harvard-artifacts-data-pipeline -a cursor
```

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

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install reason-machines/data-skills harvard-artifacts-data-pipeline
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/harvard-artifacts-data-pipeline/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add reason-machines/data-skills --skill harvard-artifacts-data-pipeline -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/reason-machines/data-skills --path skills/harvard-artifacts-data-pipeline
```

### Windsurf (Devin Desktop)

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

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add reason-machines/data-skills --skill harvard-artifacts-data-pipeline -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/reason-machines/data-skills/tree/HEAD/skills/harvard-artifacts-data-pipeline/SKILL.md

## Когда брать
- выгрузить объекты из Harvard Art Museums API с пагинацией
- разложить вложенный JSON по трём связанным таблицам
- загрузить метаданные в MySQL пакетной вставкой
- написать SQL-запросы по культуре, веку и классификации
- собрать дашборд на Streamlit с графиками Plotly

## Примеры запросов агенту
- Собери ETL-пайплайн: выгрузи 100 объектов из Harvard Art Museums API и разложи их по таблицам `artifactmetadata`, `artifactmedia`, `artifactcolors`
- Напиши SQL-запрос: сколько объектов в базе по каждой культуре
- Сделай дашборд на Streamlit с графиком распределения объектов по векам

## Похожие
- [data-pipeline](https://affpapa.org/nevibecode/skills/data-pipeline.md) — скилл · 4900 установок
- [indicator-setup](https://affpapa.org/nevibecode/skills/indicator-setup.md) — скилл · 551 установка
- [ETL Pipeline](https://affpapa.org/nevibecode/skills/etl-pipeline.md) — скилл · 4800 установок
- [indicator-dashboard](https://affpapa.org/nevibecode/skills/indicator-dashboard.md) — скилл · 570 установок
- [sql-pro](https://affpapa.org/nevibecode/skills/httpsgithubcomjeffallan-sql-pro.md) — скилл · 6400 установок
- [database-optimizer](https://affpapa.org/nevibecode/skills/httpsgithubcomjeffallan-database-optimizer.md) — скилл · 6000 установок

Из того же набора: [reason-machines/data-skills](https://affpapa.org/nevibecode/by/reason-machines/data-skills.md) — 62 карточки

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