googlebigquery-automation
作者 ComposioHQgooglebigquery-automation 可帮助 agent 使用 Rube MCP 和 Metabase 访问 BigQuery 数据、验证连接、查看元数据，并运行原生 SQL 或 MBQL 分析，无需猜测 schema。
该 skill 评分为 72/100，表示适合收录到目录中，但更应作为一个有适用边界的集成型 skill 展示，而不是开箱即用的 BigQuery 客户端。目录用户可以据此判断何时安装它——通过 Rube MCP 和 Metabase 进行 BigQuery 分析——但在执行前仍应确认实时工具 schema 和连接状态。
- 前置条件说明清晰，列出了 Rube MCP、`RUBE_SEARCH_TOOLS`、`RUBE_MANAGE_CONNECTIONS`，以及使用前需要一个 ACTIVE 状态的 Metabase 连接。
- 描述和设置步骤让触发意图易于理解：通过 Metabase 针对 BigQuery-backed data 运行 SQL 查询、探索数据集/元数据，并执行 MBQL 查询。
- 该 skill 明确要求 agent 先搜索工具以获取当前 schema，从而减少调用 Rube MCP action 时因工具信息过期而产生的猜测。
- 虽然名称里有 BigQuery，但该流程依赖 Metabase 作为当前启用的 Rube toolkit，并且需要一个已连接到 BigQuery 的 Metabase 实例；如果用户期待的是直接通过 BigQuery API 自动化，可能会感到意外。
- 该 skill 没有支持文件、安装命令、脚本，也没有除 SKILL.md 之外的参考资料，因此采用时主要依赖文字说明和实时的 Rube 工具 schema。
googlebigquery-automation skill 概览
googlebigquery-automation 能做什么
googlebigquery-automation 是一个 Claude skill，用于通过 Rube MCP 和 Composio 的 Metabase toolkit 处理 Google BigQuery 数据。它不是让 agent 在没有工具约束的情况下笼统地去“query BigQuery”，而是要求 agent 先发现当前可用的 Rube tool schemas，确认 Metabase 连接处于活动状态，检查可用的数据集或元数据，然后再通过 Metabase 执行原生 SQL 或 MBQL 风格的分析请求。
适合的用户和任务
这个 skill 适合已经通过 Metabase 暴露 BigQuery 数据的分析师、数据工程师、BI 运维人员和产品团队，用 AI assistant 辅助执行查询、探索表结构、汇总数据集，或生成可复用的分析步骤。最核心的使用场景是 googlebigquery-automation for Data Analysis：把业务问题转化为经过检查的查询工作流，并遵循可用 schema，而不是猜测表名。
关键差异和采用门槛
它的主要差异点在于强制使用 Rube MCP 流程：先执行 RUBE_SEARCH_TOOLS，再管理连接，然后通过 Metabase 执行查询。这能在 Composio tool schemas 发生变化时，减少脆弱的工具调用。主要门槛在架构层面：这不是一个直接调用 BigQuery API 的 skill。你需要可用的 Rube MCP、一个 Metabase 连接，并且 Metabase 已配置为可以访问你的 BigQuery 数据源。
如何使用 googlebigquery-automation skill
googlebigquery-automation 安装和设置上下文
在支持 Claude skills 的客户端中，从 Composio skill collection 安装该 skill，例如：
npx skills add ComposioHQ/awesome-claude-skills --skill googlebigquery-automation
然后使用 https://rube.app/mcp 将 Rube MCP 添加为 MCP server。实际使用中，这个 skill 对运行时检查的依赖高于对本地文件的依赖：
- 确认
RUBE_SEARCH_TOOLS可用。 - 使用带有 toolkit
metabase的RUBE_MANAGE_CONNECTIONS。 - 如果连接状态不是
ACTIVE，完成返回的 auth flow。 - 只有在 Metabase 连接处于活动状态后，才运行查询工作流。
请先阅读 composio-skills/googlebigquery-automation/SKILL.md；这是主要源文件，包含该工作流的前提假设。
查询前需要提供的输入
为了获得良好的 googlebigquery-automation usage 效果，请给 agent 一个清晰的分析目标、预期输出格式，以及任何已知约束。如果你知道 database、schema、table、日期范围、指标定义或行数限制，请一并提供。如果你不了解 schema，请要求 agent 在编写 SQL 之前先检查元数据。
较弱的 prompt：
“Analyze revenue in BigQuery.”
更好的 prompt：
“Use googlebigquery-automation. First search Rube tools and verify the Metabase connection. Then inspect available BigQuery tables related to orders, payments, and customers. Find monthly gross revenue for 2024, exclude refunded transactions if a refund status field exists, and return SQL plus a short table of results. Limit exploratory queries to safe row counts.”
这样能提升结果质量，因为它明确告诉 agent 如何发现 schema、应用什么业务规则，以及如何避免过早执行全表查询。
实用的分析工作流
一份可靠的 googlebigquery-automation guide 通常会遵循以下顺序：
- 使用
RUBE_SEARCH_TOOLS搜索工具，获取当前函数名称和 schemas。 - 确认 Metabase 连接处于活动状态。
- 探索 Metabase 暴露的 databases、datasets、cards 或 metadata。
- 只有在确认表名和字段名后，才起草原生 SQL。
- 先运行一个带限制的查询。
- 检查错误、列名和样例行。
- 扩展到最终查询，并总结假设条件。
对于原生 SQL，该 skill 指向使用带有 native query type 的 METABASE_POST_API_DATASET。对于 BI 风格的工作，如果你希望使用 Metabase 的结构化查询模型而不是直接写原始 SQL，MBQL 会很有用。
能显著提升输出质量的技巧
要求同时给出查询和推理轨迹。让 agent 明确说明使用了哪些表和字段、哪些假设仍未解决，以及结果来自受限样本还是最终查询。对于对生产敏感的分析，请在执行前要求一个类似 dry-run 的计划：“list intended tables, filters, joins, and limits before running.” 这有助于提前发现高成本 join、缺失的分区过滤条件，以及定义不清的指标。
googlebigquery-automation skill 常见问题
googlebigquery-automation 是直接的 BigQuery connector 吗？
不是。该 skill 通过 Rube MCP 和 Composio 的 Metabase toolkit 工作。BigQuery 是通过一个已经将 BigQuery 配置为数据源的 Metabase 实例访问的。如果你的环境需要直接使用 Google Cloud credentials、IAM role management、BigQuery jobs API，或进行 dataset administration，这个 skill 可能覆盖不了这类路径。
它什么时候比普通 prompt 更合适？
普通 prompt 可以起草 SQL，但它经常会猜测表名，或忽略工具连接状态。googlebigquery-automation skill 更适合需要 agent 使用实时工具发现、验证 Metabase 访问、检查元数据，并通过可用 MCP tools 执行查询的场景。尤其当 tool schemas 可能变化、agent 必须先搜索再调用时，它会更有价值。
它适合初学者吗？
它可以帮助初学者提出更好的分析问题，但仍然默认用户具备一定数据素养。你应该理解基本 SQL 概念、日期过滤、join、aggregation，以及样例查询和最终结果之间的区别。初学者应从元数据探索和较小的行数限制开始，而不是一上来就要求跨未知表做大范围分析。
什么时候不该使用这个 skill？
除非相关能力已通过你连接的工具明确暴露，否则不要用它做 BigQuery infrastructure administration、dataset creation、permission changes、data loading jobs 或 cost governance。当 Metabase 无法访问所需的 BigQuery project、连接处于非活动状态，或你的问题需要的数据没有在 Metabase 中建模或无法触达时，也应避免使用它。
如何改进 googlebigquery-automation skill
用约束改进 googlebigquery-automation prompts
最有效的改进方式是提高 prompt 的具体性。提供指标定义、粒度、过滤条件、时区、日期范围和预期输出。例如：“daily active users by event date in UTC, excluding internal accounts, for the last 30 complete days” 就比 “show active users” 安全得多。明确约束能帮助 agent 选择正确的分组方式，避免意外纳入不完整的当日数据，并清楚解释假设。
需要留意的常见失败模式
典型失败包括：还没检查 tool schemas 就查询、假设表名、使用过期的 Metabase metadata、遗漏分区过滤条件、使用错误的 key 进行 join，或把样例输出当作最终结果。如果查询失败，请要求 agent 检查错误、重新确认可用字段，并且只修改受影响的部分，而不是从头重写整个分析。
在第一次输出后继续迭代
拿到第一次结果后，用后续问题验证分析质量，例如：“show the SQL,” “list excluded records,” “compare this to the prior period,” “add confidence notes,” 或 “explain why this table was chosen.” 对于高风险报表，请要求再做一轮检查，包括行数、null rate、重复 key，以及过滤条件是否符合业务定义。
面向团队使用强化这个 skill
团队可以通过在自己的项目说明中记录常用 datasets、标准指标、命名规范、安全查询限制和已批准的 Metabase databases，来提升 googlebigquery-automation 的使用效果。该 skill 本身只有一个聚焦的 SKILL.md，因此本地上下文非常关键：团队提供的可信指标定义和表使用指引越充分，agent 在实时分析时需要自行推断的内容就越少。