使用 AI 快速创建 Monte Carlo 数据监控配置（MaC）
解决手动配置数据监控效率低且难以追溯的问题：通过 AI 结合 MCP 工具，将监控需求转化为标准的 Monitors-as-Code (MaC) YAML 文件，支持通过 CLI 或 CI/CD 管道统一部署。
为什么需要这个技能
在大型数据平台中，手动在 UI 界面创建数百个监控项不仅耗时，且缺乏版本控制。Monte Carlo 引入了 MaC（Monitors-as-Code）概念，允许用户像写代码一样定义监控规则。
然而，编写精准的 YAML 需要了解具体的 MCON（资源唯一标识）、准确的列名以及复杂的调度参数。本技能通过一套严格的验证工作流，让 AI 在不凭空猜测的情况下，基于实时查询的元数据生成 100% 可用的监控配置文件。
适用场景
- 新表上线：在完成数据转换逻辑后，需要快速为新表建立新鲜度、体积或架构变更监控。
- 数据质量约束：需要为特定字段定义验证规则（如：某列绝不能为 NULL）。
- 复杂指标跟踪：需要监控特定统计指标（如唯一值计数）的异常波动。
- 跨环境同步：将测试环境验证通过的监控配置迁移至生产环境。
核心工作流
本技能将创建过程分为两个关键阶段，严禁跳步：
1. 验证阶段（必须先执行）
AI 必须通过 MCP 工具获取真实数据，禁止幻觉生成列名：
- 解析需求：确定监控类型（Metric, Validation, Custom SQL, Comparison 或 Table）。
- 定位资产：使用
search找到 MCON 标识，并调用getTable获取准确的列名和元数据。 - 域分配：检查表的
domains列表，确保监控项被分配到正确的业务域。
2. 创建阶段
- 参考指南：AI 根据监控类型读取对应的
references/*.md详细参数文档。 - 配置调度：根据用户需求设定时间间隔（固定、动态或松散模式）。
- 用户确认：在调用创建工具前，以自然语言向用户确认：监控目标、触发条件、所属域及运行频率。
- 生成 YAML：调用
create...MonitorMac工具生成 dry-run 结果，并将其封装在标准 MaC 结构中。
montecarlo:
metric:
- <AI 生成的监控定义内容>下载和安装
下载 monte-carlo-monitor-creation 中文版 Skill ZIP
解压后将目录放入你的 AI 工具 skills 文件夹，重启工具后即可使用。具体路径参考内附的 USAGE.zh.md。
你可能还需要
暂无推荐