20个AI Dev Kit技能清单哪些技能该装哪些场景【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-kitDatabricks AI Dev Kit 是官方 Field Engineering 团队开源的 AI 开发工具包其中的技能Skills模块提供 20 份 Markdown 技能清单教会 Claude Code、Cursor、Gemini CLI 等编码智能体 Databricks 的开发模式与最佳实践。本文带你快速过一遍这 26 个 AI Dev Kit 技能并按真实开发场景告诉你哪些技能必装、哪些按需选装。技能Skills是什么30秒搞懂AI Dev Kit 采用「知识 行动」分离的设计技能Skills 教 AI「怎么做」每个技能就是一个目录核心是一份 SKILL.md 描述文件告诉智能体什么场景触发、遵循什么模式MCP 服务器 让 AI「去执行」databricks-mcp-server/ 暴露 50 个可执行工具建表、跑 SQL、部署任务等两者配合的典型流程你说「帮我做个销售看板」→ AI 加载看板技能 → 调用 MCP 工具查表结构、测 SQL、部署看板 → 返回可用的看板链接。 官方路线图提示未来这些技能将并入 Databricks 官方技能集部分会合并改名MCP 服务器和 Builder App 则保留在仓库中持续维护。AI Dev Kit 26个技能完整清单技能存放在 databricks-skills/ 目录按用途可分为 5 大类。下表是完整的 Databricks 技能清单 AI 与智能体6个技能用途适用场景databricks-ai-functionsSQL/PySpark 内置 AI 函数情感分析、实体抽取、文档解析、时序预测在数据管道中直接调用大模型无需部署端点databricks-agent-bricks知识助手KA、Genie Space、多智能体编排搭建文档问答、自然语言查数的对话式 AIdatabricks-genie创建、迁移、查询 Genie Space自然语言转 SQL让业务人员用自然语言探索数据databricks-model-serving部署 MLflow 模型和 AI Agent 到推理端点上线机器学习模型或智能体服务databricks-vector-search向量索引与相似度检索构建 RAG 应用、语义搜索databricks-unstructured-pdf-generation生成合成 PDF 文档为 RAG 问答准备测试/演示文档 SQL 与分析4个技能用途适用场景databricks-dbsqlSQL 高级特性物化视图、存储过程、空间 SQL、管道语法写复杂 Databricks SQL 脚本databricks-aibi-dashboardsAI/BI 仪表板强制「先测 SQL 再部署」流程给管理层做可视化看板databricks-metric-views用 YAML 定义受治理的业务指标KPI统一营收、订单等核心指标口径databricks-unity-catalog系统表查询血缘、审计、计费与 Volumes 文件操作数据治理与合规审计 数据工程7个技能用途适用场景databricks-spark-declarative-pipelinesLakeflow Spark 管道原 DLT流式表、CDC、SCD Type 2批量/流式 ETL 数据管道databricks-spark-structured-streamingStructured Streaming 生产级实践Kafka、状态管理、触发器实时流处理作业databricks-jobs多任务工作流、调度、触发器定时跑批、任务编排databricks-icebergApache Iceberg 表、REST Catalog、与 Snowflake 互操作开放表格式与湖仓迁移databricks-execution-compute管理集群、SQL 仓库、Serverless 运行代码任何需要「在 Databricks 上跑代码」的场景databricks-zerobus-ingestgRPC 近实时写入 Delta 表免消息队列应用侧直连入湖spark-python-data-source用 PySpark 自定义数据源读写外部系统Spark 对接自有数据库/API 开发与部署5个技能用途适用场景databricks-bundlesDABs 声明式多环境部署CI/CD管理生产/测试多套环境databricks-apps-python全栈 Web 应用AppKit、Streamlit、FastAPI 等 基础模型集成做内部工具、数据应用databricks-python-sdkPython SDK、Connect、CLI、REST API一切 Python 开发的基础databricks-lakebase-autoscale新一代托管 PostgreSQL自动扩缩、缩容至零OLTP 应用数据库databricks-lakebase-provisioned固定规格托管 PostgreSQL应用连接 PG 数据库 基础与参考4个技能用途适用场景databricks-config工作区 Profile 认证与切换首次使用必装其他技能都依赖它databricks-docs通过 llms.txt 索引检索官方文档其他技能没覆盖的问题兜底databricks-mlflow-evaluationMLflow 3 GenAI 智能体评估打分器、评估数据集评估 LLM/Agent 输出质量databricks-synthetic-data-genSpark Faker 生成百万行级仿真测试数据演示、测试、造数据完整说明见 databricks-skills/README.md每个技能目录下还配有分主题的深度参考文档如 1-task-functions.md。按场景选装新手最实用的5套组合技能虽多但你不需要全装。按目标场景选择即可场景一从零上手 Databricks AI 开发⭐ 新手首选databricks-configdatabricks-python-sdkdatabricks-execution-computedatabricks-docs先配好认证、学会跑代码、有文档兜底是最稳的起步组合。场景二搭建 RAG 文档问答系统databricks-unstructured-pdf-generation造文档→databricks-vector-search建索引→databricks-ai-functions解析切块→databricks-agent-bricks发布知识助手四个技能正好覆盖「文档 → 索引 → 问答」完整链路技能文档中还给出了彼此的衔接方式。场景三搭建 ETL 数据管道databricks-spark-declarative-pipelinesdatabricks-jobs 流处理加databricks-spark-structured-streaming造测试数据加databricks-synthetic-data-gen场景四做可视化分析看板databricks-dbsqldatabricks-aibi-dashboardsdatabricks-metric-views指标口径统一Metric Views→ SQL 编写DBSQL→ 看板部署AI/BI是标准的数据分析交付流程。场景五上线 AI 模型或 Web 应用databricks-model-serving模型端点或databricks-apps-python全栈应用生产化时加databricks-bundles做多环境部署。技能安装步骤一条命令搞定一键安装到项目在项目根目录运行官方安装脚本 install.sh会自动创建.claude/skills等配置目录git clone https://gitcode.com/GitHub_Trending/ai/ai-dev-kit cd ai-dev-kit bash install.sh脚本支持--global全局安装、--tools cursor,gemini只装指定工具、--uninstall等选项。只装指定技能技能安装脚本 install_skills.sh 支持按需挑选避免技能过多影响智能体判断./databricks-skills/install_skills.sh --list # 列出全部技能 ./databricks-skills/install_skills.sh databricks-jobs databricks-ai-functions ./databricks-skills/install_skills.sh --install-to-genie # 同时上传到 Genie CodeWindows 用户可使用 install.ps1用法与 shell 版一致。进阶用模板写自己的自定义技能每个技能目录结构相同一份 SKILL.md 若干参考文档。仓库内置了 TEMPLATE/SKILL.md 模板照着写「When to Use Patterns」两节就能沉淀团队内部的 Databricks 规范比如统一命名规则、内部服务接入方式放到.claude/skills/下即被智能体自动加载。常见问题Q装太多技能会不会让 AI 变慢建议按上文场景组合选装。技能越多智能体越需要精确的触发描述来挑选核心 4~6 个往往够用。Q技能和 MCP 服务器必须一起用吗不必。只装技能可获得「知识指导」适合已熟悉 Databricks API 的团队注册 databricks-mcp-server/ 则让 AI 能真正执行操作。二者互补推荐组合使用。Q不用 Claude Code 能用吗可以。安装脚本同时支持 Cursor、Gemini CLI、Codex、Copilot、Windsurf 等主流 AI 编码工具配置会写入各工具对应的目录如.cursor、.gemini。小结AI Dev Kit 的 26 个技能覆盖了从认证配置、数据管道、SQL 分析到 AI 应用上线的完整开发链路。新手建议从「场景一」4 件套起步按业务需求逐步叠加每个技能的 SKILL.md 都值得花两分钟读一读触发条件装得准比装得多更重要。【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
20个AI Dev Kit技能清单哪些技能该装哪些场景【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-kitDatabricks AI Dev Kit 是官方 Field Engineering 团队开源的 AI 开发工具包其中的技能Skills模块提供 20 份 Markdown 技能清单教会 Claude Code、Cursor、Gemini CLI 等编码智能体 Databricks 的开发模式与最佳实践。本文带你快速过一遍这 26 个 AI Dev Kit 技能并按真实开发场景告诉你哪些技能必装、哪些按需选装。技能Skills是什么30秒搞懂AI Dev Kit 采用「知识 行动」分离的设计技能Skills 教 AI「怎么做」每个技能就是一个目录核心是一份 SKILL.md 描述文件告诉智能体什么场景触发、遵循什么模式MCP 服务器 让 AI「去执行」databricks-mcp-server/ 暴露 50 个可执行工具建表、跑 SQL、部署任务等两者配合的典型流程你说「帮我做个销售看板」→ AI 加载看板技能 → 调用 MCP 工具查表结构、测 SQL、部署看板 → 返回可用的看板链接。 官方路线图提示未来这些技能将并入 Databricks 官方技能集部分会合并改名MCP 服务器和 Builder App 则保留在仓库中持续维护。AI Dev Kit 26个技能完整清单技能存放在 databricks-skills/ 目录按用途可分为 5 大类。下表是完整的 Databricks 技能清单 AI 与智能体6个技能用途适用场景databricks-ai-functionsSQL/PySpark 内置 AI 函数情感分析、实体抽取、文档解析、时序预测在数据管道中直接调用大模型无需部署端点databricks-agent-bricks知识助手KA、Genie Space、多智能体编排搭建文档问答、自然语言查数的对话式 AIdatabricks-genie创建、迁移、查询 Genie Space自然语言转 SQL让业务人员用自然语言探索数据databricks-model-serving部署 MLflow 模型和 AI Agent 到推理端点上线机器学习模型或智能体服务databricks-vector-search向量索引与相似度检索构建 RAG 应用、语义搜索databricks-unstructured-pdf-generation生成合成 PDF 文档为 RAG 问答准备测试/演示文档 SQL 与分析4个技能用途适用场景databricks-dbsqlSQL 高级特性物化视图、存储过程、空间 SQL、管道语法写复杂 Databricks SQL 脚本databricks-aibi-dashboardsAI/BI 仪表板强制「先测 SQL 再部署」流程给管理层做可视化看板databricks-metric-views用 YAML 定义受治理的业务指标KPI统一营收、订单等核心指标口径databricks-unity-catalog系统表查询血缘、审计、计费与 Volumes 文件操作数据治理与合规审计 数据工程7个技能用途适用场景databricks-spark-declarative-pipelinesLakeflow Spark 管道原 DLT流式表、CDC、SCD Type 2批量/流式 ETL 数据管道databricks-spark-structured-streamingStructured Streaming 生产级实践Kafka、状态管理、触发器实时流处理作业databricks-jobs多任务工作流、调度、触发器定时跑批、任务编排databricks-icebergApache Iceberg 表、REST Catalog、与 Snowflake 互操作开放表格式与湖仓迁移databricks-execution-compute管理集群、SQL 仓库、Serverless 运行代码任何需要「在 Databricks 上跑代码」的场景databricks-zerobus-ingestgRPC 近实时写入 Delta 表免消息队列应用侧直连入湖spark-python-data-source用 PySpark 自定义数据源读写外部系统Spark 对接自有数据库/API 开发与部署5个技能用途适用场景databricks-bundlesDABs 声明式多环境部署CI/CD管理生产/测试多套环境databricks-apps-python全栈 Web 应用AppKit、Streamlit、FastAPI 等 基础模型集成做内部工具、数据应用databricks-python-sdkPython SDK、Connect、CLI、REST API一切 Python 开发的基础databricks-lakebase-autoscale新一代托管 PostgreSQL自动扩缩、缩容至零OLTP 应用数据库databricks-lakebase-provisioned固定规格托管 PostgreSQL应用连接 PG 数据库 基础与参考4个技能用途适用场景databricks-config工作区 Profile 认证与切换首次使用必装其他技能都依赖它databricks-docs通过 llms.txt 索引检索官方文档其他技能没覆盖的问题兜底databricks-mlflow-evaluationMLflow 3 GenAI 智能体评估打分器、评估数据集评估 LLM/Agent 输出质量databricks-synthetic-data-genSpark Faker 生成百万行级仿真测试数据演示、测试、造数据完整说明见 databricks-skills/README.md每个技能目录下还配有分主题的深度参考文档如 1-task-functions.md。按场景选装新手最实用的5套组合技能虽多但你不需要全装。按目标场景选择即可场景一从零上手 Databricks AI 开发⭐ 新手首选databricks-configdatabricks-python-sdkdatabricks-execution-computedatabricks-docs先配好认证、学会跑代码、有文档兜底是最稳的起步组合。场景二搭建 RAG 文档问答系统databricks-unstructured-pdf-generation造文档→databricks-vector-search建索引→databricks-ai-functions解析切块→databricks-agent-bricks发布知识助手四个技能正好覆盖「文档 → 索引 → 问答」完整链路技能文档中还给出了彼此的衔接方式。场景三搭建 ETL 数据管道databricks-spark-declarative-pipelinesdatabricks-jobs 流处理加databricks-spark-structured-streaming造测试数据加databricks-synthetic-data-gen场景四做可视化分析看板databricks-dbsqldatabricks-aibi-dashboardsdatabricks-metric-views指标口径统一Metric Views→ SQL 编写DBSQL→ 看板部署AI/BI是标准的数据分析交付流程。场景五上线 AI 模型或 Web 应用databricks-model-serving模型端点或databricks-apps-python全栈应用生产化时加databricks-bundles做多环境部署。技能安装步骤一条命令搞定一键安装到项目在项目根目录运行官方安装脚本 install.sh会自动创建.claude/skills等配置目录git clone https://gitcode.com/GitHub_Trending/ai/ai-dev-kit cd ai-dev-kit bash install.sh脚本支持--global全局安装、--tools cursor,gemini只装指定工具、--uninstall等选项。只装指定技能技能安装脚本 install_skills.sh 支持按需挑选避免技能过多影响智能体判断./databricks-skills/install_skills.sh --list # 列出全部技能 ./databricks-skills/install_skills.sh databricks-jobs databricks-ai-functions ./databricks-skills/install_skills.sh --install-to-genie # 同时上传到 Genie CodeWindows 用户可使用 install.ps1用法与 shell 版一致。进阶用模板写自己的自定义技能每个技能目录结构相同一份 SKILL.md 若干参考文档。仓库内置了 TEMPLATE/SKILL.md 模板照着写「When to Use Patterns」两节就能沉淀团队内部的 Databricks 规范比如统一命名规则、内部服务接入方式放到.claude/skills/下即被智能体自动加载。常见问题Q装太多技能会不会让 AI 变慢建议按上文场景组合选装。技能越多智能体越需要精确的触发描述来挑选核心 4~6 个往往够用。Q技能和 MCP 服务器必须一起用吗不必。只装技能可获得「知识指导」适合已熟悉 Databricks API 的团队注册 databricks-mcp-server/ 则让 AI 能真正执行操作。二者互补推荐组合使用。Q不用 Claude Code 能用吗可以。安装脚本同时支持 Cursor、Gemini CLI、Codex、Copilot、Windsurf 等主流 AI 编码工具配置会写入各工具对应的目录如.cursor、.gemini。小结AI Dev Kit 的 26 个技能覆盖了从认证配置、数据管道、SQL 分析到 AI 应用上线的完整开发链路。新手建议从「场景一」4 件套起步按业务需求逐步叠加每个技能的 SKILL.md 都值得花两分钟读一读触发条件装得准比装得多更重要。【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
