Borderless open data lakehouse: agentic AI architecture on Google Cloud
Concevoir un lakehouse Iceberg + BigQuery multi-cloud (Cloud Storage, S3, Azure Blob) avec la plateforme d'agents Gemini — découverte, architecture, Terraform, validation
- Quoi
- Concevoir un lakehouse Iceberg + BigQuery multi-cloud (Cloud Storage, S3, Azure Blob) avec la plateforme d'agents Gemini — découverte, architecture, Terraform, validation
- Coût
- Gratuit
- Prérequis
- un compte Google Cloud avec facturation activée (déployer la solution conçue provisionne une vraie infrastructure multi-cloud avec de vrais coûts cloud) ; une charge de travail data à architecturer — le skill lui-même n'a besoin de rien pour être lu
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill de solution officiel de Google pour concevoir un data lakehouse ouvert sans frontières : un workflow agent en 4 phases. Phase 1, découverte des besoins — interviewer la charge de travail (sources de données, fédération de métadonnées, sécurité, besoins analytiques, requêtes attendues des agents IA) et produire une décomposition technique confirmée. Phase 2, conception de la solution — mapper les composants vers les produits Google Cloud via les docs de référence du repo, dessiner un diagramme d'architecture Mermaid (sous-systèmes ingestion vs serving, Managed Spark comme pont ETL partagé), et compiler un solution-architecture-guide.md. Phase 3, plan d'implémentation — documenter les prérequis (projets, facturation, APIs, IAM), générer l'IaC Terraform, rédiger des instructions de déploiement étape par étape. Phase 4, validation — dry-runs, contrôles de connectivité et de sécurité, scripts de vérification, et rapport de validation. Couvre Lakehouse for Apache Iceberg, les data agents BigQuery, Cross-Cloud Interconnect, et la Gemini Enterprise Agent Platform sur Cloud Storage, AWS S3 et Azure Blob. Bémols honnêtes : méthodologie de conception entreprise — déployer ce qu'il produit provisionne une vraie infrastructure multi-cloud, donc prévoir un compte Google Cloud avec facturation activée (vrais coûts cloud) ; attend de l'agent qu'il récupère la documentation Google Cloud live pour fonder ses recommandations ; explicitement pas pour les entrepôts mono-cloud. Licence Apache-2.0. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Installation
Prérequis : un compte Google Cloud avec facturation activée (déployer la solution conçue provisionne une vraie infrastructure multi-cloud avec de vrais coûts cloud) ; une charge de travail data à architecturer — le skill lui-même n'a besoin de rien pour être lu Installe-moi « Data lakehouse ouvert sans frontières : architecture IA agentique sur Google Cloud ». Il donne à mon agent le workflow officiel en 4 phases de Google pour un lakehouse ouvert sans frontières : découverte des besoins et décomposition technique, conception de la solution avec mapping produit et diagrammes d'architecture Mermaid, plan d'implémentation avec génération IaC Terraform et instructions de déploiement, et validation avec dry-runs et scripts de vérification — sur Lakehouse for Apache Iceberg, data agents BigQuery, Cross-Cloud Interconnect, Managed Spark et la Gemini Enterprise Agent Platform (Cloud Storage, S3, Azure Blob). Licence Apache-2.0. Dépôt : https://github.com/google/skills/blob/main/skills/cloud/google-cloud-solution-agentic-ai-borderless-data-lakehouse/SKILL.md 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire et résume en une ou deux phrases ce qu'il fait. 2. Vérification de sécurité : examine le SKILL.md et les scripts pour tout contenu suspect (appels réseau inattendus, commandes shell, collecte d'identifiants). Ce dépôt ne devrait contenir aucun secret en dur, les identifiants uniquement via le coffre sécurisé, les hôtes autorisés déclarés dans le SKILL.md. Vérifie que c'est bien le cas ici ; STOP sur tout signal d'alerte et dis-le-moi. 3. Installe-le comme skill : copie le SKILL.md et ses fichiers d'aide dans le répertoire des skills de l'agent, dans un dossier nommé « google-cloud-solution-agentic-ai-borderless-data-lakehouse ». 4. Vérifie sans appels réseau : frontmatter valide, fichiers en place. 5. Indique ce qui a été installé, où, et ce qu'il me reste à faire moi-même (p. ex. décrire la charge de travail à architecturer et confirmer la décomposition de la phase 1 ; configurer le projet GCP et la facturation avant la phase 3). GitHub est optionnel : si j'ai un compte GitHub ou la CLI gh, tu peux l'utiliser ; sinon l'accès public suffit. Ne jamais l'exiger sauf s'il figure dans les prérequis ci-dessus. Règles : ne touche à rien en dehors du dossier temporaire et de la cible d'installation. Si quelque chose semble anormal, arrête-toi et demande-moi.
Questions
Comment installer une création ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe la création pour vous — sans configuration manuelle.
Où va mon argent ?
Directement au vendeur. Skill Harbor ne traite jamais les paiements : le paiement se fait sur la page du vendeur, généralement via Stripe.
Que signifie le ✓ à côté du nom d’un créateur ?
Il signifie que nous avons confirmé l’identité de la personne derrière la fiche. Il ne dit rien sur le code lui-même — vérifiez toujours une création avant de l’installer.