如何用AI Dev Kit让AI写出指标视图metric-views技能实战【免费下载链接】ai-dev-kitDatabricks Toolkit for Coding Agents provided by Field Engineering项目地址: https://gitcode.com/GitHub_Trending/ai/ai-dev-kitAI Dev Kit 是 Databricks 开源的 AI 开发工具包它为 Claude Code、Cursor、Codex 等 AI 编码助手内置了databricks-metric-views技能与 75 个可执行工具。借助这个技能你可以直接用自然语言让 AI 写出 Databricks 指标视图Metric Views的 YAML 定义在 Unity Catalog 中创建受治理的业务指标让 AI/BI 仪表盘、Genie 和 SQL 查询共享同一套指标口径。本文用一个订单 KPI 场景带你从零跑通全流程 为什么指标视图是业务指标的通用语言很多团队都遇到过这样的烦恼同一张营收指标销售看板和财务报表算出了两个数——因为每个人都在自己的 SQL 里重新定义聚合逻辑。Databricks 指标视图把度量定义与维度分组分离创建时只声明有哪些度量和维度查询时才决定怎么分组聚合。相比普通视图它的优势一目了然特性普通视图指标视图聚合方式创建时锁死查询时灵活定义比率类指标安全再聚合❌✅星型/雪花模型关联手写 SQLYAML 声明式与 AI/BI Genie 集成有限原生支持这正是它成为指标层标准件的原因。技能原理AI 是如何学会写指标视图的 AI Dev Kit 的技能本质是一份给 AI 阅读的操作手册安装在你的编辑器里按需加载。databricks-metric-views技能包含三层资料主技能文件 SKILL.md定义使用场景、权限前提和完整示例教 AI 何时、如何创建指标视图yaml-reference.mdYAML 规范速查涵盖维度、度量、关联与物化语法patterns.md6 大常见模式单表指标、派生维度、比率度量、过滤度量等的现成范例。真正执行操作的是配套 MCP 工具manage_metric_views底层实现在 metric_views.py 中支持create、query、describe、drop、grant五种动作——AI 通过它直接调用 Unity Catalog无需你手动敲 DDL。安装只需一条命令install.sh 支持只装指定技能bash install.sh --skills databricks-metric-views⚠️ 前提Databricks Runtime 17.2YAML v1.1、有CAN USE权限的 SQL 仓库以及源表的SELECT权限和目标 schema 的建表权限。五步实战让 AI 写出你的第一个指标视图第一步让 AI 检查源表结构先别急着写指标。对 AI 说帮我看看 catalog.schema.orders 这张表有哪些列适合做维度和度量它会调用get_table_stats_and_schema工具拉取表结构与统计信息自动区分高基数字符串列适合做维度和数值列适合做度量。第二步用自然语言描述你的指标直接把业务需求丢给 AI例如基于 orders 表建一个指标视图维度是订单月份和订单状态把 O/P/F 转成可读名称度量是订单数、总营收、客单价过滤掉 2020 年之前的数据。AI 会依据 SKILL.md 中的规范把口语需求翻译成分离清晰的 dimensions 与 measures 定义。第三步AI 生成 YAML 并执行创建最终落地的是一段声明式 YAMLAI 通过manage_metric_views的create动作执行version: 1.1 source: catalog.schema.orders comment: Orders KPIs for sales analysis filter: order_date 2020-01-01 dimensions: - name: Order Month expr: DATE_TRUNC(MONTH, order_date) measures: - name: Order Count expr: COUNT(1) - name: Total Revenue expr: SUM(total_price)第四步用 MEASURE() 查询指标视图的查询有一条铁律度量必须用MEASURE()包裹且不支持SELECT *SELECT Order Month, MEASURE(Total Revenue) AS revenue, MEASURE(Order Count) AS orders FROM catalog.schema.orders_metrics WHERE extract(year FROM Order Month) 2024 GROUP BY ALL第五步授权并接入 BI让 AI 执行grant动作把SELECT权限授给数据消费组随后该指标视图就能直接作为 AI/BI 仪表盘的数据集、接入 Genie 做自然语言问答甚至配置阈值告警 ✅指标视图查询避坑清单以下问题来自技能内置的常见问题表SKILL.md建议直接收藏坑解法SELECT *报错必须显式列出维度度量用MEASURE()Cannot resolve column含空格的维度/度量名要用反引号包裹查询时报 JOIN 失败关联必须写在 YAML 定义里不能写在 SELECT 中DBR 版本报错v1.1 需 Runtime 17.2v0.1 需 16.4进阶把 AI 的产出升级到生产级基础 KPI 跑通后可以引导 AI 参考 patterns.md 中的进阶模式比率度量利润率、人均营收这类再聚合安全的指标AI 会自动写成SUM(revenue) / COUNT(DISTINCT ...)形式过滤度量用FILTER (WHERE ...)在一个视图中同时统计总订单量和未履约订单量星型模型通过 YAML 的joins声明事实表与维表的关联维度里直接引用维表列窗口度量与物化移动平均、YTD、按小时预计算让重查询秒级响应实验特性需 Serverless 计算。总结一次定义处处一致 用 AI Dev Kit 的 metric-views 技能你把写指标视图从手工拼 DDL 变成了对话式建模AI 负责查表、写 YAML、执行创建和授权你只负责说清业务口径。核心资料位置速查技能入口databricks-skills/databricks-metric-views/SKILL.md模式范例库databricks-skills/databricks-metric-views/patterns.md执行源码databricks-tools-core/databricks_tools_core/unity_catalog/metric_views.py一键安装脚本install.sh下一步不妨打开你的 AI 助手挑一张最常用的业务表让 AI 帮你在 10 分钟内建出第一个指标视图。【免费下载链接】ai-dev-kitDatabricks Toolkit for Coding Agents provided by Field Engineering项目地址: https://gitcode.com/GitHub_Trending/ai/ai-dev-kit创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
如何用AI Dev Kit让AI写出指标视图metric-views技能实战【免费下载链接】ai-dev-kitDatabricks Toolkit for Coding Agents provided by Field Engineering项目地址: https://gitcode.com/GitHub_Trending/ai/ai-dev-kitAI Dev Kit 是 Databricks 开源的 AI 开发工具包它为 Claude Code、Cursor、Codex 等 AI 编码助手内置了databricks-metric-views技能与 75 个可执行工具。借助这个技能你可以直接用自然语言让 AI 写出 Databricks 指标视图Metric Views的 YAML 定义在 Unity Catalog 中创建受治理的业务指标让 AI/BI 仪表盘、Genie 和 SQL 查询共享同一套指标口径。本文用一个订单 KPI 场景带你从零跑通全流程 为什么指标视图是业务指标的通用语言很多团队都遇到过这样的烦恼同一张营收指标销售看板和财务报表算出了两个数——因为每个人都在自己的 SQL 里重新定义聚合逻辑。Databricks 指标视图把度量定义与维度分组分离创建时只声明有哪些度量和维度查询时才决定怎么分组聚合。相比普通视图它的优势一目了然特性普通视图指标视图聚合方式创建时锁死查询时灵活定义比率类指标安全再聚合❌✅星型/雪花模型关联手写 SQLYAML 声明式与 AI/BI Genie 集成有限原生支持这正是它成为指标层标准件的原因。技能原理AI 是如何学会写指标视图的 AI Dev Kit 的技能本质是一份给 AI 阅读的操作手册安装在你的编辑器里按需加载。databricks-metric-views技能包含三层资料主技能文件 SKILL.md定义使用场景、权限前提和完整示例教 AI 何时、如何创建指标视图yaml-reference.mdYAML 规范速查涵盖维度、度量、关联与物化语法patterns.md6 大常见模式单表指标、派生维度、比率度量、过滤度量等的现成范例。真正执行操作的是配套 MCP 工具manage_metric_views底层实现在 metric_views.py 中支持create、query、describe、drop、grant五种动作——AI 通过它直接调用 Unity Catalog无需你手动敲 DDL。安装只需一条命令install.sh 支持只装指定技能bash install.sh --skills databricks-metric-views⚠️ 前提Databricks Runtime 17.2YAML v1.1、有CAN USE权限的 SQL 仓库以及源表的SELECT权限和目标 schema 的建表权限。五步实战让 AI 写出你的第一个指标视图第一步让 AI 检查源表结构先别急着写指标。对 AI 说帮我看看 catalog.schema.orders 这张表有哪些列适合做维度和度量它会调用get_table_stats_and_schema工具拉取表结构与统计信息自动区分高基数字符串列适合做维度和数值列适合做度量。第二步用自然语言描述你的指标直接把业务需求丢给 AI例如基于 orders 表建一个指标视图维度是订单月份和订单状态把 O/P/F 转成可读名称度量是订单数、总营收、客单价过滤掉 2020 年之前的数据。AI 会依据 SKILL.md 中的规范把口语需求翻译成分离清晰的 dimensions 与 measures 定义。第三步AI 生成 YAML 并执行创建最终落地的是一段声明式 YAMLAI 通过manage_metric_views的create动作执行version: 1.1 source: catalog.schema.orders comment: Orders KPIs for sales analysis filter: order_date 2020-01-01 dimensions: - name: Order Month expr: DATE_TRUNC(MONTH, order_date) measures: - name: Order Count expr: COUNT(1) - name: Total Revenue expr: SUM(total_price)第四步用 MEASURE() 查询指标视图的查询有一条铁律度量必须用MEASURE()包裹且不支持SELECT *SELECT Order Month, MEASURE(Total Revenue) AS revenue, MEASURE(Order Count) AS orders FROM catalog.schema.orders_metrics WHERE extract(year FROM Order Month) 2024 GROUP BY ALL第五步授权并接入 BI让 AI 执行grant动作把SELECT权限授给数据消费组随后该指标视图就能直接作为 AI/BI 仪表盘的数据集、接入 Genie 做自然语言问答甚至配置阈值告警 ✅指标视图查询避坑清单以下问题来自技能内置的常见问题表SKILL.md建议直接收藏坑解法SELECT *报错必须显式列出维度度量用MEASURE()Cannot resolve column含空格的维度/度量名要用反引号包裹查询时报 JOIN 失败关联必须写在 YAML 定义里不能写在 SELECT 中DBR 版本报错v1.1 需 Runtime 17.2v0.1 需 16.4进阶把 AI 的产出升级到生产级基础 KPI 跑通后可以引导 AI 参考 patterns.md 中的进阶模式比率度量利润率、人均营收这类再聚合安全的指标AI 会自动写成SUM(revenue) / COUNT(DISTINCT ...)形式过滤度量用FILTER (WHERE ...)在一个视图中同时统计总订单量和未履约订单量星型模型通过 YAML 的joins声明事实表与维表的关联维度里直接引用维表列窗口度量与物化移动平均、YTD、按小时预计算让重查询秒级响应实验特性需 Serverless 计算。总结一次定义处处一致 用 AI Dev Kit 的 metric-views 技能你把写指标视图从手工拼 DDL 变成了对话式建模AI 负责查表、写 YAML、执行创建和授权你只负责说清业务口径。核心资料位置速查技能入口databricks-skills/databricks-metric-views/SKILL.md模式范例库databricks-skills/databricks-metric-views/patterns.md执行源码databricks-tools-core/databricks_tools_core/unity_catalog/metric_views.py一键安装脚本install.sh下一步不妨打开你的 AI 助手挑一张最常用的业务表让 AI 帮你在 10 分钟内建出第一个指标视图。【免费下载链接】ai-dev-kitDatabricks Toolkit for Coding Agents provided by Field Engineering项目地址: https://gitcode.com/GitHub_Trending/ai/ai-dev-kit创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
