只做第一步也可以
把 W14 的原始、清洗、汇总拆成三个资产
保留真实输出或卡点，带到课堂；不要求一次完成全部。W15 · QUALITY & ORCHESTRATION
管道与编排入门Orchestration
Dagster 用资产、依赖和物化记录把零散脚本变成可观察管道。先编排三个本地步骤，再理解调度与血缘。
0 / 0 已完成
01
知识范围 · 交互图谱
Know the map before details学完后大致能做到
能用自己的话解释「DAG」与「数据资产」
把清洗步骤串成可复现管道；Dagster @asset 本地跑通（实验室夜间管线的入口）
保留可运行文件、真实输出和至少一则排错证据
能在课堂共享屏幕展示进度，并回答一部分底层问题
02
零基础起步
Start small · bring real progress不要等到「全部学会」才开始
先完成最小动作。哪怕没有成功复现，也请保留报错、截图和尝试过程；课堂可以展示卡点、旁听提问，并继续获得积分。
做出核心结果
把清洗步骤串成可复现管道；Dagster @asset 本地跑通（实验室夜间管线的入口）
成功复现可获得「复现 +1」，并具备展示资格。想多做再继续
增加每日调度但保持默认关闭
有拓展 +1，多拓展 +2；不影响零基础起步。完整复现步骤
把 W14 的原始、清洗、汇总拆成三个资产
声明依赖并为每个资产返回行数元数据
在本地 UI 物化完整资产图
故意让中间资产失败并观察影响范围
修复后重跑受影响部分并保存事件记录
Dagster · 三个数据资产
from dagster import asset, Definitions, MaterializeResult, MetadataValue
import polars as pl
@asset
def raw_transactions():
return pl.read_csv("data/dirty_finance.csv")
@asset
def clean_transactions(raw_transactions):
clean = raw_transactions.unique(subset=["record_id"], keep="last")
return clean
@asset
def account_summary(clean_transactions):
result = clean_transactions.group_by("account").len()
return MaterializeResult(metadata={"rows": MetadataValue.int(result.height)})
defs = Definitions(assets=[raw_transactions, clean_transactions, account_summary])展示时可拿出的证据
- Dagster 资产图
- 成功与失败两次运行记录
- 一个血缘驱动的排错说明
本机自查清单
03
让 AI 一步一步带你做
Copy this starter prompt循环方式
- 告诉 AI：我是零基础、使用什么系统、当前做到哪一步
- 一次只要一个步骤，先看预期结果再执行
- 把真实输出或报错贴回 AI，不要只说「不行」
- 把验证过的步骤整理回飞书实验报告
- 重复：问 → 做 → 报错 → 修正 → 再做
给 AI 的起步提示词
我是金融科技本科生，计算机零基础。我正在学习《金融数据库（双语）》W15，本周目标是：实验 13 · 管道与编排入门。 请把我当作第一次接触这些工具的人，并遵守： 1. 一次只给一个步骤，不要一次倾倒完整答案。 2. 每一步先解释目的，再给可复制的命令、SQL 或代码。 3. 告诉我正常情况下应该看到什么，以及最常见的一个错误。 4. 如果不知道我的系统、目录、软件版本或数据位置，先问我。 5. 等我贴回真实输出或完整报错后，再判断下一步。 6. 不要让我上传账号密码、API Key 或真实个人信息。 现在只带我完成第一步：把 W14 的原始、清洗、汇总拆成三个资产
04
问题驱动
这些问题不是课前考试。遇到不懂就问 AI；最后只需能结合自己的操作，说清其中一部分。
为什么不用一个大脚本？
资产与任务的视角差在哪里？
DAG 为什么必须无环？
血缘怎样帮助定位错误？
05
只交一份实验报告
The learning process is the deliverable建议结构
- 本周目标：我想完成什么，以及最后做到哪一步
- 环境：操作系统、软件版本、安装方式与必要依赖
- 操作步骤：按真实执行顺序写出可复制的命令或代码
- 结果：关键输出、截图及我如何判断它是否正确
- 踩坑与克服：现象 → 可能原因 → 实际排查 → 解决办法
- 结论：本周学会了什么，仍有什么没有解决
- 诚实标注：哪些来自 AI 建议，哪些已由本人亲自验证
本周常见坑
- 资产函数读写隐藏路径
- 所有逻辑塞进一个资产
- 失败后从头全量重跑而不分析依赖
不另交 AI 使用记录
只需在实验报告中诚实标注：哪些步骤来自 AI 建议，哪些已经本人验证，哪些仍未验证。学习过程写好，报告就自然产生。
06
课堂时间全部用于验收
No new lecture · public verification两次考勤
上课提前 5 分钟点名，下课前 5 分钟再次点名。
自愿共享屏幕
用本人笔记本打开实验报告，展示真实操作、结果或卡点。
现场复现与双分
作者现场运行；同学也可仅凭该文档复现，作者与复现者都加分。
随机拷问与好问题
教师判断掌握程度；旁听同学可提出被采纳的好问题。
本周可能被问
- DAG 中有环会怎样？
- asset 与 task 有何不同？
- 物化记录提供什么证据？
- 传感器与定时调度的区别？
07
本周课堂积分
Same rules every week考勤
上课提前 5 分钟点名，下课前 5 分钟再点名
出勤 +3迟到 +2早退 +2请假 +1旷课 +0
复现
使用 AI 自学，按照教学大纲完成了每周实验任务
成功复现 +1未能复现 +0
拓展
按照教学大纲完成一项或多项拓展任务
多拓展 +2有拓展 +1无拓展 +0
展示
主动共享屏幕展示复现过程，接受核验与拷问
课堂自愿共享屏幕展示 +3无课堂展示 +0
首讲
每节课堂最先自愿开讲的前 3 人
前 3 人 +1
提问
认真旁听并提出被采纳的好问题
被采纳 +0.5
拷问
面对面随机拷问 · 反空心化闸门
空心代工 −1一知半解 +1融会贯通 +2
双分
仅凭文档课堂现场复现
作者与复现者 都 +1
精选
本周最佳文档
知识库 + 席位 + 署名 + 积分 +3
做一点，也算一点
没有完成全部实验，也可以凭考勤、展示卡点、认真提问和真实回答获得积分；做得越扎实，展示、拓展、拷问、双分和精选带来的激励越多。飞书应用展示过去 30 天积分榜与总积分榜。
08
自由拓展与参考资源
拓展挑战
- 增加每日调度但保持默认关闭
- 加入数据质量检查资产
- 为分区数据设计 backfill