sf-datacloud-connect
ユーザーがData Cloudの接続管理、コネクターの設定・メタデータ操作、接続テスト、ソースオブジェクトやデータベースの参照、または新しいソースシステムのセットアップを行う際にトリガーされるスキルです。データストリームやDLOに関するタスクは「sf-datacloud-prepare」、DMOやIDresolutionは「sf-datacloud-harmonize」、データ取得・検索は「sf-datacloud-retrieve」、STDMテレメトリは「sf-ai-agentforce-observability」をそれぞれ使用してください。
description の原文を見る
> Salesforce Data Cloud Connect phase. TRIGGER when: user manages Data Cloud connections, connectors, connector metadata, tests a connection, browses source objects or databases, or sets up a new source system. DO NOT TRIGGER when: the task is about data streams or DLOs (use sf-datacloud-prepare), DMOs or identity resolution (use sf-datacloud-harmonize), retrieval/search (use sf-datacloud-retrieve), or STDM telemetry (use sf-ai-agentforce-observability).
SKILL.md 本文
sf-datacloud-connect: Data Cloud Connect フェーズ
ユーザーがソース接続作業を必要とする場合、このスキルを使用してください。コネクタ発見、接続メタデータ、接続テスト、ソースオブジェクト参照、コネクタスキーマ検査、または外部ソース用のコネクタ固有セットアップペイロードです。
このスキルがタスクを担当する場合
以下の作業に関わる場合は sf-datacloud-connect を使用してください:
sf data360 connection *- コネクタカタログ検査
- 接続の作成、更新、テスト、または削除
- ソースオブジェクト、フィールド、データベース、またはスキーマの参照
- 既に使用中のコネクタタイプの識別
- Snowflake、SharePoint Unstructured、または Ingestion API ソース用のコネクタ定義準備
以下の場合は他のスキルに委譲してください:
- データストリームまたは DLO を作成する →
sf-datacloud-prepare - DMO、マッピング、IR ルールセット、またはデータグラフを作成する →
sf-datacloud-harmonize - Data Cloud SQL または検索インデックスワークフローを作成する →
sf-datacloud-retrieve
最初に収集すべき必須コンテキスト
以下を確認または推測します:
- ターゲット org エイリアス
- コネクタタイプまたはソースシステム
- ユーザーが検査のみを望むのか、それとも実際の変更を望むのか
- 既に存在する場合は接続名または ID
- 認証情報が既に CLI 外部で構成されているか
- 接続セットアップ直後にストリーム作成も期待しているか
- ソースがデータベース、非構造化ドキュメントソース、または Ingestion API フィードか
コア運用ルール
- プラグインランタイムを最初に検証します。
../sf-datacloud/references/plugin-setup.mdを参照してください。 - 接続を変更する前に共有の準備状況分類器を実行します:
node ~/.claude/skills/sf-datacloud/scripts/diagnose-org.mjs -o <org> --phase connect --json。 - 接続作成前に読み取り専用発見を優先します。
- 標準使用時に
2>/dev/nullでリンクプラグイン警告ノイズを抑制します。 connection listには--connector-typeが必要なことを覚えておいてください。connection testの場合、Salesforce 以外の接続を名前で解決するときに--connector-typeを渡します。- org に不慣れな場合は、最初にストリームから既存のコネクタタイプを発見します。
- コネクタ固有の認証情報またはパラメータを発明する前に、キュレーション済みのサンプルペイロードを使用します。
- キュレーション済み例の外にあるコネクタタイプの場合、JSON を構築する前に REST 経由で既知の良好な UI 作成接続を検査します。
- 接続作成が成功したからといって、すべてのコネクタタイプで API ベースのストリーム作成が可能と約束しないでください。
推奨ワークフロー
1. 接続作業の準備状況を分類する
node ~/.claude/skills/sf-datacloud/scripts/diagnose-org.mjs -o <org> --phase connect --json
2. コネクタタイプを発見する
sf data360 connection connector-list -o <org> 2>/dev/null
sf data360 data-stream list -o <org> 2>/dev/null
3. タイプ別に接続を検査する
sf data360 connection list -o <org> --connector-type SalesforceDotCom 2>/dev/null
sf data360 connection list -o <org> --connector-type REDSHIFT 2>/dev/null
sf data360 connection list -o <org> --connector-type SNOWFLAKE 2>/dev/null
4. 特定の接続またはアップロード済みスキーマを検査する
sf data360 connection get -o <org> --name <connection> 2>/dev/null
sf data360 connection objects -o <org> --name <connection> 2>/dev/null
sf data360 connection fields -o <org> --name <connection> 2>/dev/null
sf data360 connection schema-get -o <org> --name <connection-id> 2>/dev/null
5. 発見後にのみテストまたは作成する
sf data360 connection test -o <org> --name <connection> --connector-type <type> 2>/dev/null
sf data360 connection create -o <org> -f connection.json 2>/dev/null
6. 外部コネクタ用のキュレーション済みサンプルペイロードから始める
ペイロードを一から発明する前に、フェーズ所有の例を使用します:
examples/connections/heroku-postgres.jsonexamples/connections/redshift.jsonexamples/connections/sharepoint-unstructured.jsonexamples/connections/snowflake-connection.jsonexamples/connections/ingest-api-connection.jsonexamples/connections/ingest-api-schema.json
典型的な Ingestion API セットアップフロー:
sf data360 connection create -o <org> -f examples/connections/ingest-api-connection.json 2>/dev/null
sf data360 connection schema-upsert -o <org> --name <connector-id> -f examples/connections/ingest-api-schema.json 2>/dev/null
sf data360 connection schema-get -o <org> --name <connector-id> 2>/dev/null
7. 未知のコネクタタイプのペイロードフィールドを発見する
UI で 1 つ作成してから、直接検査します:
sf api request rest "/services/data/v66.0/ssot/connections/<id>" -o <org>
注意すべきポイント
connection listには真のグローバル「すべてリスト」モードがありません。コネクタタイプで検索します。- コネクタカタログ名と接続コネクタタイプは常に同じラベルとは限りません。
connection testは、ソースがデフォルト Salesforce コネクタでない場合、名前解決に--connector-typeが必要な場合があります。- 空の接続リストは通常「有効だが未構成」を意味し、「機能が無効」ではありません。
- Heroku Postgres、Redshift、Snowflake、SharePoint Unstructured、および Ingestion API はすべて異なる認証情報およびパラメータ形式を使用します。推測する代わりにキュレーション済み例を再利用します。
- SharePoint Unstructured は
credentials配列内でclientId、clientSecret、およびtokenEndpointを使用し、parameters配列を必要としません。 - Snowflake はキーペア認証を使用でき、API 経由で作成できることが多いですが、ダウンストリームストリーム作成は依然として UI のみの場合があります。
- Ingestion API コネクタセットアップは、
connection schema-upsertがオブジェクトスキーマをアップロードするまで完了しません。 - 外部コネクタの一部の認証情報セットアップは依然として UI 側の構成または外部システムの権限に依存しています。
出力形式
接続タスク: <inspect / create / test / update>
コネクタタイプ: <SalesforceDotCom / REDSHIFT / SNOWFLAKE / SPUnstructuredDocument / IngestApi / ...>
ターゲット org: <alias>
コマンド: <実行した主要コマンド>
検証: <passed / partial / blocked>
次のステップ: <prepare フェーズまたはコネクタのフォローアップ>
参考資料
README.mdexamples/connections/heroku-postgres.jsonexamples/connections/redshift.jsonexamples/connections/sharepoint-unstructured.jsonexamples/connections/snowflake-connection.jsonexamples/connections/ingest-api-connection.jsonexamples/connections/ingest-api-schema.json../sf-datacloud/references/plugin-setup.md../sf-datacloud/references/feature-readiness.md../sf-datacloud/UPSTREAM.md
ライセンス: MIT(寛容ライセンスのため全文を引用しています) · 原本リポジトリ
詳細情報
- 作者
- jaganpro
- リポジトリ
- jaganpro/sf-skills
- ライセンス
- MIT
- 最終更新
- 不明
Source: https://github.com/jaganpro/sf-skills / ライセンス: MIT
関連スキル
agent-browser
AI エージェント向けのブラウザ自動化 CLI です。ウェブサイトとの対話が必要な場合に使用します。ページ遷移、フォーム入力、ボタンクリック、スクリーンショット取得、データ抽出、ウェブアプリのテスト、ブラウザ操作の自動化など、あらゆるブラウザタスクに対応できます。「ウェブサイトを開く」「フォームに記入する」「ボタンをクリックする」「スクリーンショットを取得する」「ページからデータを抽出する」「このウェブアプリをテストする」「サイトにログインする」「ブラウザ操作を自動化する」といった要求や、プログラマティックなウェブ操作が必要なタスクで起動します。
anyskill
AnySkill — あなたのプライベート・スキルクラウド。GitHubを基盤としたリポジトリからエージェントスキルを管理、同期、動的にロードできます。自然言語でクラウドスキルを検索し、オンデマンドでプロンプトを自動ロード、カスタムスキルのアップロードと共有、スキルバンドルの一括インストールが可能です。OpenClaw、Antigravity、Claude Code、Cursorに対応しています。
engram
AIエージェント向けの永続的なメモリシステムです。バグ修正、意思決定、発見、設定変更の後はmem_saveを使用してください。ユーザーが「覚えている」「記憶している」と言及した場合、または以前のセッションと重複する作業を開始する際はmem_searchを使用します。セッション終了前にmem_session_summaryを使用して、コンテキストを保持してください。
skyvern
AI駆動のブラウザ自動化により、任意のウェブサイトを自動化できます。フォーム入力、データ抽出、ファイルダウンロード、ログイン、複数ステップのワークフロー実行など、ユーザーがウェブサイトと連携する必要があるときに使用します。Skyvernは、LLMとコンピュータビジョンを活用して、未知のサイトも自動操作可能です。Python SDK、TypeScript SDK、REST API、MCPサーバー、またはCLIを通じて統合できます。
pinchbench
PinchBenchベンチマークを実行して、OpenClawエージェントの実世界タスクにおけるパフォーマンスを評価できます。モデルの機能テスト、モデル間の比較、ベンチマーク結果のリーダーボード提出、またはOpenClawのセットアップがカレンダー、メール、リサーチ、コーディング、複数ステップのワークフローにどの程度対応しているかを確認する際に使用します。
openui
OpenUIとOpenUI Langを使用してジェネレーティブUIアプリを構築できます。これらはLLM生成インターフェースのためのトークン効率的なオープン標準です。OpenUI、@openuidev、ジェネレーティブUI、LLMからのストリーミングUI、AI向けコンポーネントライブラリ、またはjson-render/A2UIの置き換えについて述べる際に使用します。スキャフォルディング、defineComponent、システムプロンプト、Renderer、およびOpenUI Lang出力のデバッグに対応しています。