Skill data_pipeline_audit · Version 0.1.0
ETL & Data Pipeline Audit
Deterministische statische Prüfung eines synthetischen ETL/ELT-Repositories (Pipeline-/DAG-YAML, SQL-Transformationen, Schema-Evolutions-Policies, Connector-Konfiguration, Monitoring-/Alert-Config, Data-Quality-Checks, Run-Historie, Lineage) auf Zuverlässigkeitsdefekte: non-idempotente Loads, fehlende Dedupe-/Upsert-Keys, unbounded Retries, fehlendes Dead-Letter, überlappende Schedules, unbounded Parallelität, fehlende Backfill-/Watermark-/Freshness-Strategie, timezone-naive Schedules, fehlende Schema-Evolution, Full-Refresh, fehlende/deaktivierte Data-Quality-Checks, fehlende Alerts/SLA/Owner, kaputte Dependencies, Secrets als Literal, hardcoded Pfade, Doppel-Load-Evidenz und fehlende Lineage. Es gibt keine Pipeline-Ausführung, keinen Connector-Zugriff, keinen Datenscan, kein Netzwerk und keine LLM-Aufrufe; zwei Läufe sind byte-identisch. Der Reliability-Score wird transparent aus Severity-Gewichten berechnet, heuristische Regeln sind gekennzeichnet. Saubere Muster (idempotenter MERGE, Dead-Letter-Queue, Schema-Evolution forward, monitored SLA, bounded retries, dokumentierte Lineage) werden über explizite Guards unterdrückt.
Berechtigungen
- Nur Lesen (Workspace)
- Kein Netzwerk
Kosten- und Laufzeitmodell
| Feld | Wert |
|---|---|
| LLM-Aufrufe erlaubt | 0 |
| Netzwerkzugriff | nein (erzwungen) |
| Max. Laufzeit | 120000 ms |
| Letzte Evidenz | 9c667da6ec6648fc86acadc01f5daa9b (2026-11-03T11:25:07Z) |
Validierungs-Schwellenwerte
| Feld | Bedeutung | Wert |
|---|---|---|
min_recall | Mindest-Recall | 1 |
min_precision | Mindest-Precision | 0.9 |
max_runtime_ms | Max. Laufzeit (ms) | 120000 |
max_cost_usd | Max. Kosten (USD) | 0.05 |
Grenzen des Skills
- Nur statische Konfigurationsanalyse – Pipelines werden nicht ausgeführt, Connectoren nicht kontaktiert, keine Daten gescannt.
- Heuristische Regeln (Schedule-Overlap, Doppel-Load-Evidenz) können False Positives/Negatives liefern.
- Data-Quality-/Monitoring-Abdeckung basiert auf deklarierter Konfiguration, nicht auf Laufzeitmetriken.
- Keine operativen Garantien; Findings erfordern menschliche Data-Engineering-Prüfung.
- Das Golden-Dataset ist synthetisch; keine echten Daten oder Secrets.
Eingabe-Vertrag (JSON-Schema)
Der Runner validiert Eingaben gegen dieses Schema, bevor der Skill startet.
{
"additionalProperties": false,
"properties": {
"max_findings": {
"default": 200,
"type": "integer"
},
"scope": {
"default": [
"idempotency",
"retries",
"scheduling",
"schema",
"freshness",
"lineage",
"secrets",
"quality",
"monitoring",
"ownership",
"performance",
"backfill",
"timezone",
"paths"
],
"items": {
"type": "string"
},
"type": "array"
},
"target_path": {
"type": "string"
}
},
"required": [
"target_path"
],
"type": "object"
}
Ausgabe-Vertrag (JSON-Schema)
Die Ausgabe wird nach dem Lauf gegen dieses Schema geprüft; Abweichungen brechen den Lauf ab.
{
"additionalProperties": false,
"properties": {
"findings": {
"maxItems": 500,
"type": "array"
},
"summary": {
"type": "object"
}
},
"required": [
"findings",
"summary"
],
"type": "object"
}
Evidenz für diesen Skill
Nur verifizierte Records, neueste zuerst. Ein Record belegt einen konkreten Lauf gegen ein synthetisches Lab-Ziel.
| Record | Zeitstempel | Status | Reife | Precision / Recall | Laufzeit | Kosten |
|---|---|---|---|---|---|---|
| 9c667da6ec6648fc86acadc01f5daa9b | 2026-11-03T11:25:07Z | PASSED | VALIDATED | 1,000 / 1,000 | 597 ms | 0,00 € |