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. Mis à jour le 22 octobre 2026 (version 1.0.1) : SKILL.md porte maintenant une section Attribution marquée MUST READ — avant toute commande gcloud, API REST ou MCP, l'agent doit lire references/attribution.md ; le tag lui-même identifie seulement le skill et sa version, sans aucune donnée utilisateur, commandes directes au terminal seulement, jamais persisté, et un retrait est documenté. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version : 1.0.1
Réponse rapide
Borderless open data lakehouse est un skill gratuit pour Muse, le skill de solution de Google pour concevoir un data lakehouse sans frontières : un workflow en 4 phases commençant par la découverte, interviewant la charge et produisant une décomposition, puis la conception, mappant les composants vers les produits Google Cloud, dessinant un diagramme Mermaid, et continuant par Terraform.
Installation
Copiez le dossier d’installation ci-dessous, puis collez-le dans Muse🧪 Installation exécutée dans notre sandbox de test · 18 nov. 2026📌 Version épinglée : commit 90bb0a8Étape 0 — avant d'installer quoi que ce soit : lis ce prompt d'installation, résume en quelques lignes ce que ce build fait et ce que l'installation implique, puis demande-moi de confirmer avant de continuer. 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://raw.githubusercontent.com/google/skills/90bb0a8853daa6ab597c303a69d80ad8ee3e44d5/skills/cloud/google-cloud-solution-agentic-ai-borderless-data-lakehouse/SKILL.md Version épinglée : installe le code au commit 90bb0a8853daa6ab597c303a69d80ad8ee3e44d5 exactement (Skill Harbor a testé cette version). Ne substitue pas une version plus récente. Si ce commit est inaccessible, arrête-toi et dis-le-moi. Mis à jour le 22 octobre 2026 : Skill Harbor a régénéré ce prompt d'installation pour google-cloud-solution-agentic-ai-borderless-data-lakehouse 1.0.1. Ce qui a changé depuis la 1.0.0, la version que décrivait l'ancien prompt : SKILL.md gagne une section Attribution marquée MUST READ — avant d'exécuter toute commande gcloud, API REST ou MCP, l'agent doit lire et suivre references/attribution.md. Ce que ce fichier exige, énoncé ici pour qu'il n'y ait aucune surprise : pour les commandes exécutées directement dans le terminal — jamais dans des scripts générés, du Terraform ou du code destiné à l'utilisateur — préfixer gcloud avec CLOUDSDK_METRICS_REQUEST_ATTRIBUTION="agent-skills/1.0 (skill:google-cloud-solution-agentic-ai-borderless-data-lakehouse)" posé inline sur chaque commande, et ajouter agent-skills/1.0 (skill:google-cloud-solution-agentic-ai-borderless-data-lakehouse) au User-Agent des requêtes HTTP, API REST ou MCP directes. Le tag identifie seulement le skill et sa version, sans aucune donnée utilisateur ; il ne doit jamais être persisté avec gcloud config set (ça étiquetterait à tort des usages ultérieurs sans rapport) ; et references/attribution.md documente une option de retrait pour l'utilisateur — si je demande de désactiver les tags d'attribution, omettre la variable et le suffixe User-Agent. Rien d'autre n'a changé dans ce que fait le skill : le workflow en 4 phases, le mapping produits, le Terraform généré et l'approche de validation sont les mêmes. 1. Récupère le fichier SKILL.md et les fichiers d'aide (dont le dossier references/) depuis le chemin du dépôt dans un dossier temporaire 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.
Enregistré dans vos installs récentes. Retrouvez-le à tout moment sur /connect.
🔒 Sécurité, provenance et ce que ça touche
Le prompt d'installation ci-dessous inclut déjà les étapes de vérification : votre agent suit la checklist communautaire avant d'installer tout ce qui contient du code exécutable. Vous en voulez plus ?
Certificat de vérification
Faits datés sur ce qui a été vérifié pour cette fiche, et comment. Ce n’est pas une certification de sécurité.
- Version épinglée
- 90bb0a8 · 2026-10-22
- Test d’installation en sandbox
- Installation exécutée dans notre sandbox de test · 18 nov. 2026
- Identité du créateur
- Non vérifiée
- Veille d’empreinte
- Dernière vérification · 19 nov. 2026 : aucun changement détecté dans les fichiers liés par ce prompt d’installation
- Analyse du prompt d’installation
- 2026-10-22 : Aucune commande, appel réseau, paquet, écriture de fichier ni clé API détecté.
Skill Harbor ne révise jamais le code des skills listés. Ce sont des faits datés sur le prompt d’installation et notre test d’installation, pas une certification de sécurité. Révisez un skill vous-même avant de l’installer. Comment nous vérifions
Questions
Comment installer un skill ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe le skill 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 un skill avant de l’installer.