Suporte upstream incluído

Arquivos de suporte são incluídos em caminhos relativos à skill. Veja UPSTREAM-NOTICE.md para suas fontes fixadas, licenças, hashes e alterações de importação.

Skill de Diagnóstico de Performance Monte Carlo

Esta skill ajuda a diagnosticar problemas de performance em pipelines de dados usando dados de observabilidade multiplataforma da Monte Carlo. Ela funciona em Airflow, dbt, Databricks e motores de consulta de data warehouse para encontrar gargalos, detectar regressões e identificar causas raiz.

Roteamento de ferramentas Monte Carlo (obrigatório): Sempre chame as ferramentas MCP da Monte Carlo através do servidor incluído neste plugin, cujos nomes de ferramentas totalmente qualificados são mcp__plugin_mc-agent-toolkit_monte-carlo-mcp__<tool> (por exemplo, mcp__plugin_mc-agent-toolkit_monte-carlo-mcp__get_alerts). Nomes de ferramentas simples usados nesta skill (get_alerts, search, get_table, …) referem-se a esse servidor incluído. Se a sessão também tiver um servidor monte-carlo-mcp configurado separadamente, não o utilize — ele pode apontar para um endpoint ou credenciais diferentes.

Arquivos de referência ficam ao lado deste arquivo de skill. Use a ferramenta Read (não recursos MCP) para acessá-los:

• Abordagem de investigação em camadas: references/investigation-tiers.md (relativo a este arquivo)
• Padrões de análise de consulta: references/query-analysis.md (relativo a este arquivo)

Quando ativar esta skill

Ative quando o usuário:

• Perguntar sobre pipelines, jobs ou consultas lentas
• Quiser encontrar consultas caras ou de alto custo
• Mencionar regressões ou degradação de performance
• Perguntar "por que este pipeline está lento?" ou "o que está usando mais computação?"
• Quiser comparar a performance ao longo do tempo ou encontrar tarefas gargalo
• Perguntar sobre padrões de consulta falhos ou fúteis

Quando NÃO ativar esta skill

Não ative quando o usuário estiver:

• Investigando problemas de qualidade de dados (use a skill prevent)
• Olhando custos de armazenamento (use a skill storage-cost-analysis)
• Criando monitores (use a skill monitoring-advisor)
• Apenas consultando dados ou explorando o conteúdo de tabelas

Pré-requisitos

As seguintes ferramentas MCP devem estar disponíveis (conecte-se ao servidor MCP da Monte Carlo):

Ferramentas de descoberta (Tier 1):

• get_jobs_performance -- encontra jobs lentos/falhando em Airflow, dbt, Databricks
• get_top_slow_queries -- encontra os grupos de consultas mais lentos por tempo total de execução

Ferramenta de ponte:

• get_tables_for_job -- converte MCONs de jobs para MCONs de tabelas

Ferramentas de diagnóstico (Tier 2):

• get_tasks_performance -- detalha as tarefas individuais de um job
• get_change_timeline -- linha do tempo unificada de alterações de consulta, mudanças de volume, falhas de Airflow/dbt
• get_query_rca -- análise de causa raiz para consultas falhas/fúteis
• get_query_latency_distribution -- tendência de latência ao longo do tempo
• get_asset_lineage -- rastreia impacto upstream/downstream

Ferramentas de suporte:

• get_warehouses -- lista os warehouses disponíveis

Fluxo de trabalho

Etapa 1: Identificar o escopo

Determine o que o usuário deseja investigar:

• Job/pipeline específico: Usuário menciona um nome de job ou pipeline
• Tabela específica: Usuário menciona uma tabela que está demorando para ser atualizada
• Descoberta geral: Usuário quer descobrir o que está lento

Chame get_warehouses para listar os warehouses disponíveis. Combine o contexto do usuário com um warehouse.

Etapa 2: Tier 1 -- Descoberta

Se você não tiver MCONs específicos para investigar, comece com a descoberta:

1. Encontrar jobs lentos: Chame get_jobs_performance com filtro opcional de integration_type (AIRFLOW, DATABRICKS, DBT) se o usuário especificar uma plataforma.

   • Resultados incluem: nome do job, duração média, tendência (7 dias), contagem de execuções, taxa de falha
   • Procure por: avgDuration altos, runDurationTrend7d negativos, altas taxas de falha

2. Encontrar consultas caras: Chame get_top_slow_queries com warehouse_id e query_type opcionais ("read" para SELECTs, "write" para INSERT/CREATE/MERGE).

   • Resultados incluem: hash da consulta, tempo total de execução, tempo médio de execução, contagem de execuções
   • Procure por: consultas com alto tempo total de execução ou alto tempo de execução individual

Apresente os principais resultados ao usuário antes de aprofundar. Uma investigação típica precisa de apenas 3-7 chamadas de ferramenta.

Se ambas as ferramentas de descoberta não retornarem resultados: Informe ao usuário que nenhum problema de performance foi encontrado na janela de tempo atual. Sugira ampliar o escopo (warehouse diferente, intervalo de tempo maior ou um filtro de plataforma diferente).

Etapa 3: Ponte -- Job para Tabelas

Após o Tier 1 identificar jobs problemáticos, converta para MCONs de tabelas:

…