data-context-extractor

data-context-extractor ist ein einzelner Skill aus Anthropics offiziellem, quelloffenem Repository knowledge-work-plugins. Die direkte Quelle liegt unter https://github.com/anthropics/knowledge-work-plugins/tree/main/data/skills/data-context-extractor. Der Skill ist keine Datenbank, kein eigenständiger MCP-Server und keine fertige Verbindung zu einem Warehouse. Er liefert eine strukturierte Arbeitsweise, mit der Claude gemeinsam mit Datenanalysten das unternehmensspezifische Wissen hinter einem data warehouse erfassen und als neue, wiederverwendbare Anleitung dokumentieren kann. Diese Einordnung ist wichtig: Der Wert entsteht durch gute Interviews, geprüfte Schemaangaben und klare Referenzdateien, nicht durch eine automatisch garantierte Wahrheit.

Zweck und Betriebsarten

Laut Anbieter arbeitet die Anleitung in einem Bootstrap- und einem Iterationsmodus. Im Bootstrap-Modus entsteht ein neuer Data-Analysis-Skill von Grund auf. Typische Auslöser sind der Wunsch, einen Data-Context-Skill für das eigene Warehouse zu erstellen, die Analyse einer Unternehmensdatenbank einzurichten oder einen Skill für eine bestimmte Firma zu generieren. Im Iterationsmodus lädt Claude einen vorhandenen Skill und ergänzt fehlenden Kontext zu einer Domäne, zu Kennzahlen, Tabellen oder Begriffen. Dadurch eignet sich der Eintrag sowohl für eine erste Wissensaufnahme als auch für eine fortlaufende Pflege, wenn sich Datenmodelle und Geschäftsdefinitionen verändern.

Entdeckung von Quellen und Schema

Der Workflow beginnt mit der Frage, welches Datenbanksystem verwendet wird. Die offizielle Anleitung nennt BigQuery, Snowflake, PostgreSQL oder Redshift sowie Databricks als häufige Möglichkeiten. Anschließend sollen verfügbare Schema- und Abfragewerkzeuge des aktuellen Clients genutzt werden, um Datenbereiche, Tabellen und die wichtigsten Tabellen eines Teams zu identifizieren. Die Anleitung fragt ausdrücklich, welche drei bis fünf Tabellen besonders oft verwendet werden, statt wahllos das ganze Warehouse zu dokumentieren. SQL-Beispiele dienen als Orientierung für die jeweilige Dialektwahl. Sie sind keine Aufforderung, produktive Datenbankbefehle ohne Prüfung oder ohne Freigabe auszuführen.

Unternehmenswissen als Referenzbasis

Ein Schwerpunkt liegt auf Wissen, das in Datenkatalogen oft fehlt. Claude fragt nach der genauen Bedeutung von Begriffen wie Nutzer, Kunde oder Organisation und nach ihren Beziehungen. Danach werden primäre und fachliche Identifikatoren, Schlüsselvarianten, Geschäftsmetriken, Berechnungsformeln und Zeitraumnormen erfasst. Ebenso wichtig sind Standardfilter für Testdaten, interne Nutzer, Betrug oder gelöschte Datensätze. Fragen zu typischen Fehlern neuer Analysten machen Zeitzonen, NULL-Werte, historische Tabellen, uneindeutige Spaltennamen und andere Stolperstellen sichtbar. Das Ergebnis soll nicht nur Tabellen beschreiben, sondern die lokale Sprache und die tatsächlichen Analysekonventionen eines Teams bewahren.

Struktur und Ergebnis

Laut Anbieter erzeugt der Skill eine Verzeichnisstruktur mit einer zentralen SKILL.md-Datei und Referenzen zu Entitäten, Kennzahlen, Tabellen und optionalen Dashboards. Ein Entitätsdokument kann Definition, Primärtabelle, Identifikatoren, Beziehungen und Standardfilter festhalten. Ein Metrikdokument beschreibt Bedeutung, Formel, Quelltabellen und Sonderfälle. Tabellendokumente sollen Speicherort, Zweck, Primärschlüssel, Aktualisierungsrhythmus, wichtige Spalten, Beziehungen und typische Abfragen enthalten. Im Iterationsmodus werden neue Domänenreferenzen ergänzt und die Navigation der bestehenden Anleitung aktualisiert. Abschließend kann die Sammlung als ZIP-Paket ausgeliefert werden.

Grenzen, Datenschutz und Eignung

Dieser Skill kann Wissen sammeln und Dokumentation strukturieren, aber er validiert keine Geschäftslogik automatisch. Analysten müssen Definitionen, Berechtigungen, Join-Wege und Ergebnisse fachlich prüfen. Ein plausibel formulierter Metriktext ersetzt weder Daten-Governance noch eine verantwortliche Freigabe. Die Verbindung zu einem Warehouse hängt vom verwendeten Client und dessen Werkzeugen ab; der Skill selbst gewährt keine Zugriffsrechte. Schemaauszüge, Kennzahlen und Beispielabfragen können sensible Unternehmensinformationen enthalten. Verwenden Sie deshalb nur freigegebene Daten, minimieren Sie den Kontext, prüfen Sie Aufbewahrung und Zugriffsrechte und geben Sie keine Zugangsdaten in Prompts oder Referenzdateien ein. Anthropic erläutert in seiner offiziellen Arbeit zu Context Engineering, dass Kontext aus Systemanweisungen, Werkzeugen, externen Daten und Gesprächsverlauf sorgfältig verwaltet werden muss. Das ergänzt die Skill-Praxis, ersetzt aber keine Prüfung der Richtlinien Ihres Unternehmens. Das Repository ist Apache-2.0-lizenziert. Diese Darstellung wurde am 9. September 2026 anhand der offiziellen Quelle geprüft und ist kein Nachweis für die Richtigkeit einer erzeugten Unternehmensdokumentation.