# harvard-artifacts-etl-pipeline

Скилл для ИИ-агента: помогает собрать пайплайн от Harvard Art Museums API до графиков в Streamlit.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 1700 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-etl-pipeline/SKILL.md
- Обновлён: 2026-10-09
- HTML: https://affpapa.org/nevibecode/skills/harvard-artifacts-etl-pipeline

## Что делает

Скилл описывает полный маршрут данных: запросы к Harvard Art Museums API с постраничной навигацией, разбор вложенного JSON на таблицы, загрузка в MySQL или TiDB Cloud, аналитические SQL-запросы и графики Plotly в Streamlit. Агент получает готовые шаблоны кода для каждого шага.

Внутри — примеры функций на Python: `fetch_artifacts` тянет страницы по 100 записей и останавливается, когда страницы кончились, `extract_metadata`, `extract_media` и `extract_colors` раскладывают ответ API на три таблицы. Схема БД тоже приложена: `artifactmetadata`, `artifactmedia` и `artifactcolors` со связью по `artifact_id`.

Заранее понадобится ключ `HARVARD_API_KEY` и доступ к базе — хост, порт, пользователь и пароль прописываются в `.env`. Без ключа API запросы вернут ошибку, поэтому это первое, что стоит проверить. 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-etl-pipeline -a claude-code
```

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

### Codex

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

2. **Вручную: положить файлы**
- Файл: `.agents/skills/harvard-artifacts-etl-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-etl-pipeline -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/harvard-artifacts-etl-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-etl-pipeline
```

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

### Gemini CLI

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

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

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/harvard-artifacts-etl-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-etl-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-etl-pipeline/SKILL.md

## Когда брать
- выгрузить объекты из Harvard Art Museums API постранично
- разложить вложенный JSON музея на реляционные таблицы
- залить метаданные и цвета артефактов в MySQL или TiDB Cloud
- написать SQL-запросы по коллекции и медиа
- собрать интерактивный дашборд на Streamlit с графиками Plotly

## Примеры запросов агенту
- Помоги написать ETL-пайплайн: выгрузи объекты из Harvard Art Museums API и разложи их по таблицам
- Сделай SQL-запросы по таблице artifactmetadata и построй графики Plotly в Streamlit
- Настрой постраничную выгрузку из Harvard API и загрузку данных в TiDB Cloud

## Похожие
- [ETL Pipeline](https://affpapa.org/nevibecode/skills/etl-pipeline.md) — скилл · 4800 установок
- [etl-connector-strategy](https://affpapa.org/nevibecode/skills/etl-connector-strategy.md) — скилл · 8000 установок
- [pyspark-etl-best-practices-cursorrules-prompt-file](https://affpapa.org/nevibecode/rules/pyspark-etl-best-practices-cursorrules-prompt-file.md) — правило · ★ 41011
- [data-pipeline](https://affpapa.org/nevibecode/skills/data-pipeline.md) — скилл · 4900 установок
- [checking-freshness](https://affpapa.org/nevibecode/skills/checking-freshness.md) — скилл · 1000 установок
- [streamlit-to-marimo](https://affpapa.org/nevibecode/skills/streamlit-to-marimo.md) — скилл · 2300 установок

Из того же набора: [reason-machines/data-skills](https://affpapa.org/nevibecode/by/reason-machines/data-skills.md) — 22 карточки

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