🌐 简体中文 | English
🧱 数仓建模不只是建几张表 — 融合 Kimball · Inmon · Data Vault 2.0 · 阿里 OneData · Databricks Medallion · dbt 的实战方法论。教 AI 助手在分层架构、维度建模、指标体系、命名规范、反模式排查等场景下做出专业判断。不是一个 DW 工具教程，是踩过坑之后积累的判断框架。
A practical DW modeling methodology skill for AI coding tools — covering Kimball, Inmon, Data Vault 2.0, Alibaba OneData, Databricks Medallion, and dbt. Teaches AI assistants the professional judgment framework a senior data engineer applies in production.
|
没有这个 skill 时： |
有这个 skill 之后： |
| 方法论 | 架构模式 | 覆盖主题 | 反模式 | SQL 模板 |
|---|---|---|---|---|
| 5 | 4 | 12 个主题域 | 20 个 P0/P1/P2 分级 | 各层 DDL/DML |
市面上数仓建模的资料很多：要么是教科书（"星型模型由一张事实表和多张维度表组成"），要么是工具手册（"Snowflake 的 CLUSTER BY 语法"）。中间地带——告诉 AI 助手什么时候该做什么选择——是空白的。
这个 skill 填补的就是这块空白。它不是教你"星型模型长什么样"，而是教 AI 在什么约束条件下该选哪个方法论、什么场景下可以跨层引用、指标口径打架时先解决什么问题。
本项目 skill 结构兼容 superpowers-zh 规范，可作为其生态中的一个独立 skill 使用。superpowers-zh 覆盖 AI 编程通用工作流（TDD、调试、代码审查），本项目覆盖数仓建模领域。
| 维度 | superpowers-zh | data-warehouse-modeling |
|---|---|---|
| 定位 | AI 编程通用工作方法论 | 数仓建模领域方法论 |
| Skills 数 | 20 | 1（聚焦深） |
| 覆盖 | 需求、设计、实现、测试、审查 | 分层、建模、指标、命名、规范 |
| 安装 | npx superpowers-zh |
手动复制到 skills 目录 |
| 语言 | 中文 | 中文（技术术语保留英文） |
不是罗列方法论定义，是告诉你什么时候该选哪个、什么时候不该选哪个：
- Kimball — 团队 5 人以下，先出东西再说
- Data Vault 2.0 — 金融医疗，审计需求。5 人以下别碰
- OneData — 公司能推标准、需要指标体系
- Medallion — 湖仓一体、已有 Delta Lake
- Inmon — 企业级，但建设周期 6-12 个月，扛得住的再选
四套主流模式对比：国内标准（ODS→DWD→DWS→ADS）、Medallion（Bronze→Silver→Gold）、dbt（staging→marts）、Data Vault（Raw Vault→Info Marts）。附五家企业实战对比。
四步法不是教条，关键是顺序——先选业务过程再选维度。事实表设计选择（事务/周期快照/累积快照）、SCD 策略（SCD3 教科书里每本都有，实际项目中一次没见过谁用）。
派生子指标公式，但重点不在这——重点在"原子指标的定义权必须收归数据团队"。口径分歧是组织问题，不是技术问题。
表名格式、字段后缀、数据类型、增量标记、词根词典。不是为了好看，是为了让新来的人三天内看懂表结构。
每层全套 DDL + DML 模板：ODS 建表（分区+生命周期）、DWD 明细宽表（ETL 清洗）、DIM（全量快照+SCD2 拉链表更新）、DWS 汇总（多维聚合）、ADS 应用（指标计算）。
Kafka + Flink CDC + OLAP。Lambda vs Kappa 选型、Watermark 乱序处理、维度关联三种方案、Flink SQL 双流 JOIN 模板。
20 个反模式，P0（必须修复）/ P1（短期修）/ P2（建议修）三级。附排查优先级：P0 先查主键唯一性和粒度一致性。
项目结构、物化策略、增量模型、测试规范、CI/CD。
Snowflake、BigQuery、Databricks、Redshift 四种平台的最佳实践，跨平台 SQL 迁移对照表。
GDPR、CCPA、PIPL 合规。PII 脱敏策略（删除/掩码/哈希/令牌化）、删除权实现、数据分级（L1-L5）、各平台行级/列级安全实现。
数仓设计文档模板、指标定义文档模板、建模评审清单。
skills/data-warehouse-modeling/
├── SKILL.md 核心入口（149 行）
├── references/
│ ├── methodology-comparison.md 五种方法论对比 + 决策树
│ ├── layer-architecture.md 分层架构 + 五家企业对比
│ ├── subject-domains.md 十二个主题域
│ ├── bus-matrix.md 总线矩阵 + 维度 DDL
│ ├── naming-conventions.md 命名规范 + 词根词典
│ ├── realtime-dw-design.md 实时数仓 + Flink SQL
│ ├── antipatterns.md 二十个反模式（P0/P1/P2）
│ ├── dbt-practices.md dbt 工程化完整指南
│ ├── cloud-platform-practices.md 云平台实践 + 跨平台 SQL 对照
│ ├── data-governance.md 数据治理 + GDPR/CCPA
│ └── dw-doc-standards.md 文档模板 + 评审清单
└── scripts/
└── sql-templates.md 各层 DDL/DML 模板
| 工具 | 安装方式 |
|---|---|
| Claude Code | cp -r skills/data-warehouse-modeling ~/.claude/skills/ |
| Codex | cp -r skills/data-warehouse-modeling ~/.codex/skills/ |
| Cursor | cp -r skills/data-warehouse-modeling ~/.cursor/skills/ |
| 其他工具 | cp -r skills/data-warehouse-modeling ~/.agents/skills/ |
直接放入 superpowers-zh 的 skills/ 目录即可生效。
在 AI 编程工具中直接提问即可触发：
- 「帮我设计电商平台的分层架构」
- 「这个指标怎么定义口径」
- 「帮我评审这张 DWD 表的设计」
- 手动引用：
$data-warehouse-modeling
- Ralph Kimball — The Data Warehouse Toolkit（第 3 版）
- Bill Inmon — Building the Data Warehouse
- Dan Linstedt — Building a Scalable Data Warehouse with Data Vault 2.0
- 阿里巴巴数据平台部 — 大数据之路
- Databricks — Medallion Architecture
- dbt Labs — Best Practices Guide
欢迎参与！报告问题、改进文档、新增内容都可以。
好的 skill 内容应该：
- 教 AI 助手怎么判断，不是罗列概念
- 有实战语气——踩过的坑比理论更值钱
- 有明确的步骤和示例，AI 加载后能直接执行
欢迎提 Issue 讨论想法。
MIT License — 自由使用，商业或个人均可。
A data warehouse modeling methodology skill for AI coding tools. Teaches AI assistants the professional judgment framework a senior data engineer applies in production — not a tool tutorial, not a textbook summary.
- Methodology selection — Kimball, Inmon, Data Vault 2.0, OneData, Medallion with a practical decision tree
- Layering architecture — 4 patterns with real company comparisons (Alibaba, Meituan, NetEase, etc.)
- Dimensional modeling — fact tables, dimensions, SCD strategies (and which ones you never actually use)
- Metric taxonomy — atomic, derived, composite indicators (OneData methodology)
- Subject areas — 12 common domains with bus matrix template
- Naming conventions — table/field rules, data dictionary with root words
- SQL templates — DDL/DML for every layer (Hive/Spark)
- Real-time DW — Kafka + Flink + OLAP with Flink SQL examples
- Antipatterns — 20 antipatterns ranked P0/P1/P2 with fix priorities
- dbt practices — project structure, tests, CI/CD
- Cloud platforms — Snowflake, BigQuery, Databricks, Redshift
- Data governance — GDPR, CCPA, PII masking, data classification
- Documentation — design doc template, metric definition template, review checklist
# Claude Code
cp -r skills/data-warehouse-modeling ~/.claude/skills/
# Codex
cp -r skills/data-warehouse-modeling ~/.codex/skills/
# Cursor / other tools
cp -r skills/data-warehouse-modeling ~/.agents/skills/Compatible with superpowers-zh — drop into its skills/ directory directly.
Trigger by asking DW-related questions in any AI coding tool, or use $data-warehouse-modeling explicitly.
- Ralph Kimball — The Data Warehouse Toolkit (3rd Edition)
- Bill Inmon — Building the Data Warehouse
- Dan Linstedt — Building a Scalable Data Warehouse with Data Vault 2.0
- Alibaba Data Platform Team — The Road to Big Data
- Databricks — Medallion Architecture
- dbt Labs — Best Practices Guide
MIT License © 2026