Plugin databricks per Claude

Configurare l'autenticazione della CLI Databricks: verifica dell'installazione, poi profilo OAuth / PAT / service principal (a livello di workspace o di account), quindi verifica.

Creare Agent Bricks: Knowledge Assistant (KA) per il Q&A sui documenti e Supervisor Agent per l'orchestrazione multi-agente (MAS).

Usare le AI Function integrate di Databricks (ai_classify, ai_extract, ai_summarize, ai_mask, ai_translate, ai_fix_grammar, ai_gen, ai_analyze_sentiment, ai_similarity, ai_parse_document, ai_prep_search, ai_query, ai_forecast…

Databricks AI Runtime: i comandi della CLI `databricks air` per inviare e gestire i workload di addestramento GPU su compute serverless di Databricks. Usare per scrivere e inviare lo YAML dei workload `databricks air`, passare hyp…

Creare dashboard AI/BI di Databricks. Usare sempre quando si creano, aggiornano o distribuiscono dashboard Lakeview, perché le Databricks Dashboard hanno una struttura JSON particolare. CRITICO: DEVI testare TUTTE le query SQL tramite CLI PRIMA di distribuire…

Progettare la UX delle schermate dati di Databricks Apps con codice personalizzato (AppKit/React), come pagine KPI e panoramiche, report, grafici, tabelle e assistenti dati chat/Genie, mappate su componenti AppKit concreti. Usare quando si COSTRUISCE o si rivede…

Creare app sulla piattaforma Databricks Apps. Usare quando si chiede di creare app dati, strumenti di analisi o visualizzazioni interattive personalizzate. Una semplice richiesta «crea una dashboard» indica una dashboard AI/BI (Lakeview) gestita, quindi usa…

Backend Python per Databricks Apps: FastAPI (predefinito), Flask, Dash, Streamlit, Gradio, Reflex. **Il default per una nuova Databricks App è `databricks-apps` (AppKit: Node/TypeScript/React), quindi sceglilo per primo.** Usare questo…

Operazioni della CLI Databricks e skill di ingresso per l'uso della CLI: autenticazione, selezione del profilo e bundle. Caricare questa skill per prima per attività di CLI, auth, profilo e bundle, poi caricare la skill di prodotto corrispondente.

Creare, configurare, validare, distribuire, eseguire e gestire Declarative Automation Bundles (DAB, in precedenza Databricks Asset Bundles). Usare quando si lavora con risorse Databricks tramite DAB, incluse dashboard, job, pipeline,…

Scoprire, esplorare e interrogare i dati Databricks tramite Genie, l'equivalente CLI di Genie One MCP. DEVE essere invocata ogni volta che l'utente chiede di trovare o localizzare dati («quali tabelle ci sono in X», «dove si trova X», «quale catal…

Funzionalità avanzate di Databricks SQL (DBSQL) e capacità dei SQL warehouse. Questa skill DEVE essere invocata quando l'utente menziona: «DBSQL», «Databricks SQL», «SQL warehouse», «SQL scripting», «stored procedure», «CALL proced…

Riferimento alla documentazione Databricks tramite l'indice llms.txt. Usare quando altre skill non coprono un argomento, per consultare funzionalità Databricks poco note o per documentazione autorevole su API, configurazioni o capacità della piattaforma…

Eseguire codice e gestire il compute su Databricks: eseguire Python/Scala/SQL/R tramite cluster serverless, classici o interattivi, e creare, ridimensionare o eliminare cluster e SQL warehouse.

Creare, gestire e interrogare i Databricks Genie Agent: agenti in linguaggio naturale curati per ogni dataset (in precedenza Genie Space). Permettono di costruire, esportare/importare, migrare tra workspace e porre domande a un Agent specifico tramite la C…

Tabelle Apache Iceberg su Databricks: tabelle Iceberg gestite, External Iceberg Reads (ex Uniform), Compatibility Mode, Iceberg REST Catalog (IRC), Iceberg v3, interoperabilità con Snowflake, PyIceberg, Spark OSS, engine esterni…

Sviluppare e distribuire Lakeflow Jobs su Databricks tramite DAB, Python SDK o CLI. Usare per creare job di data engineering con notebook, wheel Python, SQL, dbt o pipeline. Invocare PRIMA di iniziare l'implementazione.

Lakebase Postgres di Databricks: progetti, scalabilità, connettività, Lakebase synced tables e Data API. Usare quando si chiede di database Lakebase, storage OLTP o di collegare app a Postgres su Databricks.

Creare pipeline di ingestione gestite in Databricks tramite Lakeflow Connect. Usare per acquisire dati da app SaaS (Salesforce, Workday Reports, ServiceNow, Google Analytics 4, HubSpot, Confluence) o da database (SQL Server c…

Metric view di Unity Catalog: definire, creare, interrogare e gestire metriche di business governate in YAML. Usare per costruire KPI standardizzati, metriche di ricavo, analisi degli ordini o qualsiasi metrica di business riutilizzabile che richieda coerenza…

Addestrare modelli ML su Databricks. Usare per: classificazione, regressione e deep learning (XGBoost, scikit-learn, LightGBM, PyTorch) con Optuna, alias @prod/@challenger, scoring batch (spark_udf per modelli semplici, fe.score_ba…

Valutazione di agenti GenAI con MLflow 3. Usare quando si scrive codice mlflow.genai.evaluate(), si creano funzioni @scorer, si usano scorer integrati (Guidelines, Correctness, Safety, RetrievalGroundedness), si costruiscono dataset di valutazione da…

Ciclo di vita e operazioni degli endpoint di Databricks Model Serving. Usare per: CRUD degli endpoint di serving (CLI o client MLflow Deployments); configurare il routing del traffico per deploy A/B e canary e scambi di versione senza downtime; ri…

Sviluppare Lakeflow Spark Declarative Pipelines (in precedenza Delta Live Tables) su Databricks. Usare per costruire pipeline dati batch o streaming con Python o SQL, incluso Auto CDC da flussi di eventi o da snapshot periodici completi…

Linee guida per lo sviluppo su Databricks, inclusi Python SDK, Databricks Connect, CLI e REST API. Usare quando si lavora con databricks-sdk, databricks-connect o le API Databricks.

Compute serverless per job Databricks, pipeline Lakeflow e Declarative Automation Bundles (DAB), con STANDARD o PERFORMANCE_OPTIMIZED, e compute classico solo dove il serverless non può eseguire il carico di lavoro. Usare quando si creano…

Migrare i carichi di lavoro Databricks dal compute classico al compute serverless. Usare per migrare notebook, job, pipeline o JAR Scala (`spark_jar_task`) da cluster classici a serverless, verificare se il codice esistente è compatibile…

Visualizza in anteprima, predispone o diagnostica un .venv Python locale gestito con uv tramite `databricks environments setup-local`. Usare quando l'utente vuole configurarne uno o correggerlo per Databricks Connect, compute cluster o serverless, `--job…

Guida completa a Spark Structured Streaming per carichi di lavoro di produzione. Usare per costruire pipeline di streaming, lavorare con l'ingestione Kafka, implementare Real-Time Mode (RTM), configurare i trigger (processingTime,…

Generare dati sintetici realistici con Spark + Faker (fortemente consigliato). Supporta l'esecuzione serverless, più formati di output (Parquet/JSON/CSV/Delta) e scala da migliaia a milioni di righe. Per dataset piccoli…

Governance, controllo degli accessi e osservabilità di Unity Catalog. Usare per concedere o revocare accessi (GRANT/REVOKE), ragionare sul modello dei privilegi e sulla proprietà, configurare la sicurezza a livello di riga e le maschere di colonna, creare external lo…

Usare quando si interrogano o si invocano modelli foundation pay-per-token, o quando si creano, aggiornano, elencano o interrogano servizi Unity Gateway (detto anche Unity AI Gateway), inclusi servizi di provider di modelli, servizi MCP, sy…

Costruire dataset di valutazione RAG e per documenti non strutturati, e documenti dimostrativi (ad esempio per Knowledge Assistant) su Databricks: generare PDF sintetici in locale, caricarli nei volumi di Unity Catalog e abbinare ogni documento a test…

Endpoint e indici di Databricks Vector Search per RAG e ricerca semantica; copre tipi di indice, modalità di ricerca e pattern RAG end-to-end

Inviare record da app, servizi, dispositivi o script direttamente in tabelle Delta di Unity Catalog con Zerobus Ingest: SDK (Python, TypeScript, Go, Java, Rust, C++, .NET), REST, OTLP, MQTT, Arrow Flight o Apache Kafka…