Databases

azure-cosmos-pyスキルは、Azure Cosmos DB Python SDK をインストール・設定・活用するためのガイドです。NoSQL の CRUD、クエリ、コンテナー作成、パーティション分割、認証までカバーします。特に、パーティションキーやクエリコストが重要になる Database Engineering のワークフローで役立ちます。

azure-cosmos-db-py は、Python/FastAPI で Azure Cosmos DB の NoSQL 永続化を構築するためのスキルです。クライアント設定、二重認証、パーティションを意識した CRUD、パラメーター化クエリ、テストしやすいサービス層まで、本番運用を見据えたパターンを扱います。バックエンド開発の実践的なガイドが必要なときや、ローカルエミュレーター対応、再利用しやすい Cosmos DB 実装パターンを求めるときに適しています。

azure-resource-manager-postgresql-dotnet は、Azure Resource Manager を使って Azure Database for PostgreSQL Flexible Server を管理したい .NET 開発者向けの skill です。Azure.ResourceManager.PostgreSql と Azure.Identity パッケージを導入し、Azure 上の PostgreSQL サーバーを作成・更新・確認・保護・自動化する際に、汎用プロンプトよりも明確な範囲で使えます。

clickhouse-best-practicesは、Database Engineering向けのClickHouseベストプラクティス skill です。スキーマ設計、クエリチューニング、insert戦略、エージェント接続を、ルールベースの推奨で整理して案内します。clickhouse-best-practices の使いどころを見極めやすく、レビューや引用にもつなげやすいので、ClickHouse のワークフローで活用しやすいのが特長です。

clickhouse-architecture-advisor は、ワークロードを踏まえた判断で ClickHouse の設計を支援します。取り込み、パーティション設計、JOIN、辞書、UPSERT、事前集計まで、負荷特性に合わせて選べるのが強みです。Backend Development、可観測性、SIEM、プロダクト分析、IoT テレメトリ、金融系パイプラインで特に役立ちます。ガイダンスは `official`、`derived`、`field` として分類されます。

Tinybirdのプロジェクトファイル、SQLルール、最適化パターン、ファイルベースのワークフローに関するベストプラクティスをまとめた skill です。datasource、pipe、endpoint、materialized view、そしてリポジトリのルールに基づいたデプロイ安全な指針が必要な Backend Development で、この tinybird skill を活用してください。

ggetは、CLIまたはPythonから20以上のゲノムデータベースと解析ツールへ高速かつ統一的にアクセスできる生物情報学スキルです。遺伝子情報、BLAST関連の検索、AlphaFold構造、発現データ、疾患関連、エンリッチメント系の解析に使えます。素早い探索や、ggetを使ったData Analysisワークフローに向いています。

azure-data-tables-java スキルは、Java 開発者が Azure Data Tables SDK を使って Azure Table Storage と Cosmos DB Table API のクライアントを構築するのに役立ちます。インストール、セットアップ、接続文字列、共有キー、SAS、または DefaultAzureCredential を使った実践的な azure-data-tables-java の利用に向いています。

azure-cosmos-javaスキルを使うと、Azure Cosmos DB Java SDKの導入と利用を、クライアント設定、キー認証、環境変数、NoSQLデータベース操作まで含めて分かりやすく進められます。Javaでの信頼できる実装パターン、具体例ベースの使い方、推測に頼らないazure-cosmos-javaガイドが必要なDatabase Engineeringに特に適しています。

chdb-datastore は、ClickHouse バックエンドの DataStore API を使って高速なデータ分析を行うための pandas 互換スキルです。ファイル、データベース、クラウドの各コネクタ、異なるソースをまたぐ join、そして pandas 風ワークフローをほとんど変えずに使える点が特長です。大きめのデータセットに対して、そのまま使える分析レイヤーを求めるなら、この chdb-datastore ガイドが役立ちます。