得物数仓以五层防御和Skills约束编码流程

得物数仓团队按「规范执行是人的短板、AI 的长板；业务判断是 AI 的短板、人的长板」的思路构建五层防御：第一层把当前迭代状态与本次迭代约束（表名、版本、node_id、禁止修改的表、分区字段与金额单位）及数仓全局规范写进 .claude/CLAUDE.md，每次会话启动与 compact 后从磁盘重新注入，全局规范控制在 100 行以内、上线后清空约束节。 第二层用 Claude Auto Memory（~/.claude/projects/<project>/memory/MEMORY.md）跨会话自动积累踩坑与口径。第三层 hooks 自动验证，在项目 .claude/settings.json 配置 PostToolUse（matcher Write|Edit）触发 validate_sql.sh 检查禁止 SELECT *、INSERT 必须带 PARTITION、金额用 DECIMAL(20,4) 不用 DOUBLE、UPDATE/DELETE 必须带 WHERE，PreToolUse 触发 block_dangerous_ddl.sh 拦截生产表 DROP/TRUNCATE（放行 _dev/_test/_stg 后缀），SessionStart 在 compact 后重注入 dw_conventions.md，Stop hook 用 claude-haiku-4-5-20251001 检查任务完整性，并强调阻断必须 exit 2（exit 1 不会阻止 Claude 继续）。 第四层用 subagents 做上下文隔离，创建 sql-validator、dw-explorer、data-quality-checker 等（model: haiku、permissionMode: dontAsk、输出限 50/80 行结构化摘要）。第五层改造 SKILL 调用方式，用 path-scoped rules（按 **/*insert*.sql 等路径自动加载 ETL 规范）替代 SKILL 中的规范章节、由 subagent 内部读完整 SKILL 文件、主 context 只接收产出 SQL 文件路径。 流程上把数仓研发拆为 8 步（需求分析→技术设计→ETL→自测→数据比对→SR 导入→性能优化→SLA/DQC），对应 /dw-etl 等 8 个 SKILL 命令，每步按 context 影响分流：需求分析等技术设计类留在主会话，ETL 由 PostToolUse hook 自动查规范，自测 23 条 SQL、数据比对、性能优化血缘查询分别交给 data-quality-checker、data-comparator、dw-explorer subagent，主会话只收 PASS/FAIL 与差异字段摘要。 效果：规范遵守率从依赖 LLM 记忆的 70%~80% 提升到 hook 强制的 95%+。需求一次交付通过率从约 50% 提升到 90%。字段口径类错误从「时常发生」降到「基本不出现」。主 context compact 频率预计降低 50%~70%（正文标为预计）。