From df19743ce0003542718eb648de516ae3788b17ea Mon Sep 17 00:00:00 2001
From: li552233 <liyiru_001@hotmail.com>
Date: Tue, 12 May 2026 07:43:35 +0000
Subject: [PATCH] Add simple sql write in main router

---
 skills/smart-data-developer/SKILL.md | 400 +++++++++++++++++++--------
 1 file changed, 288 insertions(+), 112 deletions(-)

diff --git a/skills/smart-data-developer/SKILL.md b/skills/smart-data-developer/SKILL.md
index 61e0ba6..615de7b 100644
--- a/skills/smart-data-developer/SKILL.md
+++ b/skills/smart-data-developer/SKILL.md
@@ -1,19 +1,20 @@
 ---
 name: smart-data-developer
-description: 智能数据开发员工。本项目为数据开发专用项目，唯一任务是将业务需求转化为可执行SQL。【任何用户消息都必须立即触发此技能】。无论是需求描述、问题咨询、闲聊问候、或其他任何形式的用户输入，都应触发此技能启动需求分析→模型设计→SQL编写的工作流程。此技能是本项目的核心入口，无例外、无条件触发。
+description: 智能数据开发员工（v3）。支持数据开发和简单取数两种模式。数据开发模式按序调用 requirement-analyzer → model-design-generator → write-sql 三技能，结合 OV 知识库检索保障质量；简单取数模式直接调用 write-sql 生成查询SQL。当用户提到数据需求、指标需求、报表需求、SQL查询、数据开发、统计需求、ETL任务、取数、查数据时触发此技能。
 ---
 
-# 智能数据开发员工
+# 智能数据开发员工 v3
 
 ## 技能定位
 
-按序调用子技能完成端到端数据开发。
+作为**协调者**，根据用户需求类型选择对应流程，完成 SQL 生成。
 
-| 步骤 | 子技能 | 产出物 |
-|-----|--------|--------|
-| 1 | requirement-analyzer | 《数据需求技术规范文档》 |
-| 2 | model-design-generator | 《模型设计技术规范文档》 |
-| 3 | write-sql | 可执行SQL脚本 |
+支持两种模式：
+
+| 模式 | 适用场景 | 流程 |
+|------|----------|------|
+| **数据开发** | 建表、ETL、定期调度、指标报表、需要需求文档 | 三步走：需求分析 → 模型设计 → SQL编写 |
+| **简单取数** | 临时查数据、单表/简单JOIN查询、一次性统计 | 直接调用 write-sql |
 
 ---
 
@@ -54,7 +55,7 @@ conda run -n py13 ov read viking://resources/sql_snippets/{目录}/{文件}.sql
 
 ## OpenViking 资源库
 
-加载`ov-search-context`技能来查找数据开发相关的资源
+加载 `ov-search-context` 技能来查找数据开发相关的资源。
 
 ### 核心资源
 
@@ -81,9 +82,11 @@ conda run -n py13 ov read viking://resources/sql_snippets/{目录}/{文件}.sql
 - 猜测字段含义 → 口径偏差 → 业务错误
 - 猜测处理方式 → 维护困难 → 返工成本高
 
+**注意：OV 检索仅在数据开发模式（分支A）中强制执行。简单取数模式按需检索。**
+
 ---
 
-**强制触发时机（不可跳过）**
+**强制触发时机（不可跳过，仅数据开发模式）**
 
 | 时机 | 触发点 | 搜索内容 | 强制性 | 检索数量 |
 |-----|--------|---------|--------|---------|
@@ -127,7 +130,7 @@ conda run -n py13 ov grep "{表名}" --uri "viking://resources/table-metadata" -
 conda run -n py13 ov grep "dim_intnl_org.*org_id" --uri viking://resources/table-metadata -n 5
 
 多表名 OR 搜索:
-conda run -n py13 ov grep "table1|table2|table3" --uri viking://resources/table-metadata -n 5
+conda run -n py13 ov grep "table1|table2|table3" --uri "viking://resources/table-metadata" -n 5
 
 # === 语义find：召回相关内容 ===
 conda run -n py13 ov find "{业务概念}" --uri "viking://resources/sql_snippets" --threshold 0.2
@@ -149,39 +152,93 @@ conda run -n py13 ov read viking://resources/field-process-memory/{文件}.md
 ## 工作流程
 
 ```
-步骤1：需求分析 → 调用 requirement-analyzer + 数据源匹配的同时进行OV检索 + 困惑时OV检索
+用户输入需求
     ↓
-步骤2：模型设计 → 调用 model-design-generator + 困惑时OV检索
+[入口] 场景判断 + 用户确认
     ↓
-步骤3：SQL编写 → 调用 write-sql + 困惑时OV检索
-    ↓
-交付完成
+    ├── 数据开发 → [步骤1] 需求分析（+OV检索） → 确认 → [步骤2] 模型设计（+OV检索） → 确认 → [步骤3] SQL编写（+OV检索） → 交付
+    │
+    └── 简单取数 → [确认引擎] → 直接调用 write-sql → 交付
 ```
 
 ---
 
-## 执行流程详细步骤
+## 入口：场景判断
+
+用户输入需求后，**必须先判断场景类型并让用户确认**。
+
+### 判断规则
+
+| 判断维度 | 数据开发特征 | 简单取数特征 |
+|----------|-------------|-------------|
+| 目标 | 建新表/更新表、产出报表 | 临时查看、一次性统计 |
+| 调度 | 需要定期运行（日/周/月） | 不需要调度 |
+| 复杂度 | 多表关联、加工逻辑复杂 | 单表或简单 JOIN |
+| 关键词 | "建表"、"ETL"、"指标"、"报表"、"每日更新"、"需求" | "查一下"、"看看"、"有多少"、"帮我取"、"统计一下" |
+
+### 交互模板
+
+**场景有明显倾向时（推荐项标明理由）**：
+
+```
+根据您的描述，我判断这是一个{数据开发/简单取数}需求。
+
+请确认需求类型：
+
+1. {推荐项}（推荐）← {推荐理由}
+2. {另一选项}
+
+回复 1 或 2。
+```
+
+**推荐规则**：
+- 涉及建表、定期调度、多步骤加工 → **推荐数据开发**
+- 涉及"查一下"、"看看"、单表简单统计 → **推荐简单取数**
+- 模糊场景 → **推荐数据开发**（走三步走不会出错，中途可切换）
+
+---
+
+## 分支A：数据开发（三步走）
+
+### 文件流转链路
+
+三个步骤的产出物统一保存在 `./ai_text/` 目录下，步骤间有严格的依赖关系：
+
+```
+步骤1 产出                          步骤2 产出                    步骤3 产出
+./ai_text/REQ-DATA-{ts}-{seq}.md → ./ai_text/MDDS-DATA-{ts}-{seq}.md → ./ai_text/SQL-DATA-{ts}-{seq}.sql
+         │                                    │                                    │
+         └──── 步骤2 读取此文件 ───────────────┘                                    │
+                                              └──── 步骤3 读取此文件 ──────────────┘
+```
+
+| 步骤 | 产出文件 | 命名规则 | 依赖 |
+|------|---------|---------|------|
+| 1 需求分析 | `REQ-DATA-{YYYYMMDDHHmmss}-{XXX}.md` | 由 requirement-analyzer 生成 | 无 |
+| 2 模型设计 | `MDDS-DATA-{YYYYMMDDHHmmss}-{XXX}.md` | 从步骤1文件名转换：REQ → MDDS | **必须读取步骤1的 REQ 文件** |
+| 3 SQL编写 | `SQL-DATA-{YYYYMMDDHHmmss}-{XXX}.sql` | 从步骤1文件名转换：REQ → SQL | **必须读取步骤1的 REQ + 步骤2的 MDDS 文件** |
 
 ### 步骤1：需求分析
 
-**执行前检查**：无（直接开始）。
+1. 调用 `skill(name="requirement-analyzer")`
+2. 子技能完成后，展示摘要并等待用户确认：
+```
+✅ 需求分析已完成！
+📄 文件路径：{路径}
 
-调用 `skill(name="requirement-analyzer")`
+请您审核：
+- 需求描述是否准确？
+- 业务口径是否完整？
+- 数据源是否正确？
+- 输出字段是否符合预期？
 
-**困惑时检索（py13 环境）**：
-- 不熟悉业务概念 → `conda run -n py13 ov find "{概念}" --uri "viking://resources/field-process-memory" --threshold 0.2`
-- 不确定指标口径 → `conda run -n py13 ov find "{指标名称} 口径" --uri "viking://resources/field-process-memory" --threshold 0.3`
-
-**完成后衔接**：`📄 已保存：{路径}。需求分析完成，开始模型设计...`
+回复"确认"进入步骤2，或指出需要修改的内容。
+```
+3. **记录需求文档路径**到状态中
 
 #### ✅ MUST：数据源匹配后 OV 深度检索
 
-**强制性说明**：data-structure-fetcher 返回推荐数据源后，**必须对每个推荐表进行全方位 OV 检索**。不检索会导致：
-- 猜测表结构 → 字段选错 → SQL 失败
-- 缺乏成功案例参考 → 重复踩坑 → 代码质量差
-- 不了解字段处理经验 → 口径偏差 → 业务错误
-
----
+**强制性说明**：data-structure-fetcher 返回推荐数据源后，**必须对每个推荐表进行全方位 OV 检索**。
 
 **触发时机**：requirement-analyzer 模块3，data-structure-fetcher 返回推荐表列表后，立即执行
 
@@ -205,8 +262,6 @@ conda run -n py13 ov read viking://resources/field-process-memory/{文件}.md
 
 这是数据源匹配后**必须立即执行**的关键检索，用于判断推荐表是否值得采用：
 
-**执行时机**：data-structure-fetcher 返回推荐表后，**立即执行此检索**
-
 **检索命令**：
 ```bash
 conda run -n py13 ov grep "{表名}" --uri "viking://resources/field-process-memory" --node-limit 10
@@ -245,30 +300,29 @@ conda run -n py13 ov grep "{表名}" --uri "viking://resources/field-process-mem
 
 ---
 
-**具体执行流程（py13 环境）**
+**并行检索策略**
+
+为提高效率，对多个推荐表的检索可并行执行：
 
 ```bash
-# 对每个推荐表（如：dwd_crm_srv_complaint_rt），依次执行：
-
-# ① 表结构检索（确认字段）
-conda run -n py13 ov grep "dwd_crm_srv_complaint_rt" --uri "viking://resources/table-metadata" --node-limit 10
-
-# ② 成功SQL案例检索（找历史代码）
-conda run -n py13 ov grep "dwd_crm_srv_complaint_rt" --uri "viking://resources/sql_snippets" --node-limit 15
-
-# ③ 常用数据源判断（判断是否常用 - 数据源匹配后立即执行）
-conda run -n py13 ov grep "dwd_crm_srv_complaint_rt" --uri "viking://resources/field-process-memory" --node-limit 10
-
-# ④ 字段处理经验检索（找处理笔记 - 对核心字段）
-conda run -n py13 ov grep "dwd_crm_srv_complaint_rt.complaint_id" --uri "viking://resources/field-process-memory" --node-limit 10
-
-# ⑤ 业务语义检索（结合业务场景）
-conda run -n py13 ov find "dwd_crm_srv_complaint_rt 投诉统计" --uri "viking://resources/field-process-memory" --threshold 0.2 --node-limit 10
+# 并行检索多个表（使用 task agent 或 bash 后台）
+conda run -n py13 ov grep "table1" --uri "viking://resources/table-metadata" --node-limit 10 &
+conda run -n py13 ov grep "table2" --uri "viking://resources/table-metadata" --node-limit 10 &
+conda run -n py13 ov grep "table3" --uri "viking://resources/table-metadata" --node-limit 10 &
 ```
 
-**执行顺序建议**：
-- ③ 常用数据源判断是**最优先执行**的检索，应在数据源匹配后立即执行
-- 其他检索可根据常用数据源判断结果调整执行优先级
+---
+
+**关键字段专项检索**
+
+当推荐表中包含**核心业务字段**时，必须额外进行字段级检索：
+
+```bash
+# 对核心字段（如：complaint_id、org_id）进行专项检索
+conda run -n py13 ov grep "dwd_crm_srv_complaint_rt.complaint_id" --uri "viking://resources/table-metadata" --node-limit 5
+conda run -n py13 ov grep "complaint_id" --uri "viking://resources/field-process-memory" --node-limit 10
+conda run -n py13 ov find "complaint_id 去重计数" --uri "viking://resources/sql_snippets" --threshold 0.2 --node-limit 10
+```
 
 ---
 
@@ -309,88 +363,193 @@ conda run -n py13 ov find "dwd_crm_srv_complaint_rt 投诉统计" --uri "viking:
 
 ---
 
-**检索时机强制触发表**
-
-| 时间点 | 触发条件 | 检索内容 | 强制性 |
-|-------|---------|---------|--------|
-| data-structure-fetcher 返回后 | 推荐表列表返回 | **③ 常用数据源判断（最优先）** + 每个表的 5 类检索 | ✅ MUST |
-| 用户补充新表名时 | 用户提及陌生表名 | 立刻 OV 检索该表（优先执行常用数据源判断） | ✅ MUST |
-| 用户询问字段含义时 | 用户对字段有疑问 | OV grep 该表.字段 | ✅ MUST |
-| 发现字段歧义时 | 同一字段有多来源 | OV find 语义检索 | ✅ MUST |
-| 陌生数据源判断后 | 无历史使用记录 | 额外验证表结构，或建议替代表 | ✅ MUST |
-
----
-
-**并行检索策略**
-
-为提高效率，对多个推荐表的检索可并行执行：
-
-```bash
-# 并行检索多个表（使用 task agent 或 bash 后台）
-conda run -n py13 ov grep "table1" --uri "viking://resources/table-metadata" --node-limit 10 &
-conda run -n py13 ov grep "table2" --uri "viking://resources/table-metadata" --node-limit 10 &
-conda run -n py13 ov grep "table3" --uri "viking://resources/table-metadata" --node-limit 10 &
-```
-
----
-
-**关键字段专项检索**
-
-当推荐表中包含**核心业务字段**时，必须额外进行字段级检索：
-
-```bash
-# 对核心字段（如：complaint_id、org_id）进行专项检索
-conda run -n py13 ov grep "dwd_crm_srv_complaint_rt.complaint_id" --uri "viking://resources/table-metadata" --node-limit 5
-conda run -n py13 ov grep "complaint_id" --uri "viking://resources/field-process-memory" --node-limit 10
-conda run -n py13 ov find "complaint_id 去重计数" --uri "viking://resources/sql_snippets" --threshold 0.2 --node-limit 10
-```
-
----
+**困惑时检索（py13 环境）**：
+- 不熟悉业务概念 → `conda run -n py13 ov find "{概念}" --uri "viking://resources/field-process-memory" --threshold 0.2`
+- 不确定指标口径 → `conda run -n py13 ov find "{指标名称} 口径" --uri "viking://resources/field-process-memory" --threshold 0.3`
 
 ### 步骤2：模型设计
 
-**执行前检查**：需求分析已完成，用户已确认需求。
+**用户确认需求后**才能进入。本步骤**依赖步骤1的 REQ 文件**：
 
-调用 `skill(name="model-design-generator")`
+1. 从状态中获取步骤1产出的 REQ 文件路径
+2. 调用 `skill(name="model-design-generator")`，传入 REQ 文件路径
+3. 模型设计 skill 会自动读取 REQ 文件并生成对应的 MDDS 文件到 `./ai_text/`
+4. 子技能完成后，展示摘要并等待用户确认：
+```
+✅ 模型设计已完成！
+📄 文件路径：{路径}
+
+请您审核：
+- 编排步骤是否合理？
+- 目标表属性是否正确？
+- 字段设计是否符合预期？
+
+回复"确认"进入步骤3，或指出需要修改的内容。
+```
+5. **记录模型设计文档路径**到状态中
 
 **困惑时检索（py13 环境）**：
 - 确认表结构 → `conda run -n py13 ov grep "{表名}" --uri "viking://resources/table-metadata"`
 - 了解分层规范 → `conda run -n py13 ov find "分层架构 DWA DWM ADS" --uri "viking://resources/sql_snippets" --threshold 0.2`
 
-**完成后衔接**：`📄 已保存：{路径}。下一步将编写SQL脚本。请确认以上设计是否正确。`
-
----
-
 ### 步骤3：SQL编写
 
-**执行前检查**：用户已确认模型设计。
+**用户确认模型设计后**才能进入。本步骤由本 skill 主导，调用 write-sql 完成：
 
-调用 `skill(name="write-sql")`
+#### 3.1 确定引擎类型
+
+询问用户目标引擎：
+```
+请确认 SQL 目标引擎：
+- spark（默认）— Paimon 数据仓库
+- doris — 实时 OLAP 分析
+- hive — 离线批处理
+- kudu — 实时更新
+
+如无特别要求，默认使用 spark。
+```
+
+#### 3.2 读取文件并组装 context
+
+本 skill 负责以下工作（**不是 write-sql 的职责**）：
+
+1. **读取需求文档**：使用 Read 工具读取步骤1产出的 REQ 文件（`./ai_text/REQ-DATA-xxx.md`）
+2. **读取模型设计文档**：使用 Read 工具读取步骤2产出的 MDDS 文件（`./ai_text/MDDS-DATA-xxx.md`）
+3. **组装 context**：将两个文档内容拼接为完整的上下文文本
+4. **确定输出路径**：从步骤1的 REQ 文件名转换，`REQ-DATA-xxx.md` → `SQL-DATA-xxx.sql`，保存到 `./ai_text/`
+
+```
+context 内容结构：
+"""
+【数据需求技术规范文档】
+{需求文档完整内容}
+
+【模型设计技术规范文档】
+{模型设计文档完整内容}
+"""
+```
+
+#### 3.3 调用 write-sql
+
+```
+调用 write-sql 时传入以下参数：
+- engine: {用户确认的引擎，默认 spark}
+- context: {3.2 组装的完整上下文文本}
+- output_path: ./ai_text/SQL-DATA-{从步骤1文件名提取的时间戳和序号}.sql
+```
+
+**注意**：write-sql 是纯函数，不自己读文件，只接收参数生成 SQL。
 
 **困惑时检索（py13 环境）**：
 - SQL语法 → `conda run -n py13 ov find "{语法} 用法" --uri "viking://resources/sql_snippets" --threshold 0.2`
 - 窗口函数示例 → `conda run -n py13 ov find "窗口函数 over partition" --uri "viking://resources/sql_snippets" --threshold 0.2`
 
-**完成后衔接**：
-```
-📄 已保存：{路径}
+#### 3.4 验证与交付
 
-交付物：
+write-sql 完成后：
+1. 确认 SQL 文件已写入 output_path
+2. 简要展示 SQL 脚本概要（步骤数、目标表、源表）
+
+### 数据开发交付
+
+```
+✅ 数据开发任务已完成！
+
+交付物清单：
 - 需求文档：{路径}
 - 模型设计：{路径}
 - SQL脚本：{路径}
+- 目标引擎：{spark/doris/hive/kudu}
 ```
 
 ---
 
+## 分支B：简单取数
+
+### B.1 确认引擎
+
+```
+请确认查询引擎：
+- spark（默认）
+- doris
+- hive
+- kudu
+
+如无特别要求，默认使用 spark。
+```
+
+### B.2 确认补充信息（按需）
+
+如果用户描述中缺少关键信息，**简洁追问**（不要用需求分析的13项模板）：
+
+| 缺失信息 | 追问方式 |
+|----------|---------|
+| 表名不明 | "请确认要从哪张表查询？" |
+| 时间范围不明 | "需要查哪个时间段的数据？" |
+| 过滤条件不明 | "有什么筛选条件吗？" |
+| 字段不明 | "需要返回哪些字段？还是全部？" |
+| 聚合维度不明 | "按什么维度统计？按日/按部门/按地区？" |
+
+**原则**：只问必要的，能推断的不问，能省略的省略。
+
+### B.3 调用 write-sql
+
+```
+调用 write-sql 时传入以下参数：
+- engine: {用户确认的引擎，默认 spark}
+- context: {用户的取数描述 + 补充信息}
+- output_path: 无（简单取数默认不写文件，仅在对话中展示）
+```
+
+如果用户要求保存到文件：
+```
+- output_path: ./ai_text/QUERY-{时间戳}.sql
+```
+
+### B.4 简单取数交付
+
+```
+✅ SQL 已生成！
+
+引擎：{spark/doris/hive/kudu}
+
+```sql
+{生成的 SQL}
+```
+
+如需调整请告诉我。如需保存到文件，请指定路径。
+```
+
+---
+
+## 中途切换
+
+用户在任何时刻可以切换模式：
+
+| 用户说 | 处理方式 |
+|--------|---------|
+| "这个改成正式的需求" | 简单取数 → 数据开发，从步骤1开始 |
+| "不用那么复杂，直接帮我查就行" | 数据开发 → 简单取数，用已有信息直接生成 SQL |
+| "先简单查一下看看" | 简单取数优先，后续可转数据开发 |
+
+---
+
 ## 状态跟踪
 
-- step 1: 需求分析完成 → 准备模型设计
-- step 2: 模型设计完成 → 等待用户确认
-- step 3: SQL编写完成
-- step 4: 全流程完成
-
-记录产出物路径：需求文档、模型设计文档、SQL脚本。
+```python
+state = {
+    "mode": None,         # "dev"（数据开发） | "query"（简单取数） | None（待确认）
+    "step": 0,            # dev模式：0→1→1.5(等待)→2→2.5(等待)→3→4(完成)
+                          # query模式：0→B.1→B.2→B.3→4(完成)
+    "confirmed": [False, False],  # dev模式：[步骤1确认, 步骤2确认]
+    "engine": "spark",    # 目标引擎
+    "paths": {            # dev模式文件路径
+        "req": None,
+        "model": None,
+        "sql": None
+    }
+}
+```
 
 ---
 
@@ -398,19 +557,24 @@ conda run -n py13 ov find "complaint_id 去重计数" --uri "viking://resources/
 
 | 场景 | 响应 |
 |-----|------|
-| 用户确认 | 进入下一步 |
+| 用户首次输入需求 | 场景判断 → 让用户确认模式 |
+| 用户确认数据开发 | 进入分支A（三步走） |
+| 用户确认简单取数 | 进入分支B（直接生成SQL） |
+| 用户确认步骤1/2 | 进入下一步 |
 | 用户修改意见 | 调整后重新等待确认 |
-| 中途修改 | 回到对应步骤重新执行 |
+| 中途切换模式 | 清理当前状态，进入目标模式 |
+| 询问进度 | 告知当前模式、步骤及确认状态 |
+| 指定引擎 | 记录到 state.engine |
 | 用户提及陌生概念 | 先OV检索再回复，提供选项 |
 
 ---
 
 ## 交互工具
 
-在需要补充和确认信息，检查和修改的时候，使用`question`工具提供选项供用户选择，例如下面的情况：
+在需要补充和确认信息，检查和修改的时候，使用 `question` 工具提供选项供用户选择，例如下面的情况：
 
 ```
-例如下面的情况，请使用`question`工具：
+例如下面的情况，请使用 question 工具：
 请补充/确认以下信息：
 1. 输出表中文名称：建议为"设备流量通话短信月均使用情况表"，是否需要修改？
 2. 输出表英文名称：请提供库名.表名（如：db_eda_xxx_prd.ads_device_usage_avg_6m）
@@ -446,6 +610,18 @@ conda run -n py13 ov find "complaint_id 去重计数" --uri "viking://resources/
 
 ---
 
+## 输出规范
+
+- **所有产出物统一保存在 `./ai_text/` 目录下**
+- **数据开发模式**：需求文档 + 模型设计 + SQL文件（三件套，文件名保持一致）
+  - 步骤1：`./ai_text/REQ-DATA-{ts}-{seq}.md`
+  - 步骤2：`./ai_text/MDDS-DATA-{ts}-{seq}.md`（REQ → MDDS）
+  - 步骤3：`./ai_text/SQL-DATA-{ts}-{seq}.sql`（REQ → SQL）
+- **简单取数模式**：默认仅在对话中展示 SQL，用户要求时写入 `./ai_text/QUERY-{时间戳}.sql`
+
+---
+
 ## 完成标志
 
-三步骤完成（需求分析 → 模型设计 → SQL编写），用户已知交付物位置。
+- **数据开发模式**：步骤1/2/3全部完成，用户均已确认，SQL文件已写入
+- **简单取数模式**：SQL已生成并展示给用户