dltHub AI Harness

dlt (data load tool) ist eine Open-Source-Python-Bibliothek zum Laden von Daten aus APIs und Datenbanken in ein Warehouse oder Lakehouse. dltHub (bezahlte Plattform) erweitert dlt um Enterprise-Funktionen, die auf die Bedürfnisse von Coding-Agenten zugeschnitten sind: Transformationen, Datenqualitätsvalidierung, verwaltete Laufzeitinfrastruktur, verwaltete Daten-Apps und eine KI-gestützte Workspace-Umgebung.

Der dltHub AI Harness ist eine Sammlung von Toolkits, die KI-Coding-Assistenten Schritt-für-Schritt-Workflows zum Erstellen von Datenpipelines mit dlt bieten. Sie können den Harness unverändert verwenden oder forken und für Ihren eigenen Stack anpassen. Die dlthub ai CLI installiert Toolkit-Komponenten an den richtigen Stellen für Ihren Assistenten und startet den Workspace-MCP-Server.

Build-Toolkits decken die Ingestion (REST-API, SQL), Transformation und Datenqualität ab; Run-Toolkits übernehmen Bereitstellung und Exploration. Das REST-API-Toolkit wird vom dltHub context unterstützt — über 9.700 Quelldefinitionen, die der Agent abfragt, um verifizierte Konnektoren zu finden, bevor er Code schreibt. Neue Benutzer können mit dem quick-start-Toolkit starten, um einen geführten End-to-End-Durchlauf von Daten bis zum Dashboard durchzuführen.

Der dltHub AI Harness ist getestet mit Claude Code, Cursor und Codex und funktioniert möglicherweise auch mit anderen KI-Coding-Assistenten. Wir empfehlen, im accept edits-Modus (Claude) bzw. --approval-mode-Modus (Codex) zu arbeiten, um die Änderungen zu überprüfen, und sich mit den dlthub AI Workflows vertraut zu machen, wenn Sie mit dem dlthub AI Harness beginnen.

Der dlthub AI Harness unterstützt den iterativen Data-Engineering-Workflow

Das Erstellen von Datenpipelines ist iterativ und umfasst zwei Hauptphasen — Ingestion und Transformationen — die jeweils derselben inneren Schleife folgen:

Build (lokale Entwicklung)

• Entwickeln Sie die Pipeline iterativ — für die Ingestion: zuerst den REST-API-Endpunkt, dann weitere Endpunkte; für die Transformation: zuerst das Datenmodell, dann die vollständige Transformations-Pipeline

• Erkunden Sie die geladenen Daten und validieren Sie sie nach jedem Schritt

• Kehren Sie zur Verfeinerung zurück, bis die Pipeline solide ist

Run (Produktion)

• Stellen Sie die Ingestion- oder Transformations-Pipeline in der Produktion bereit

• Stellen Sie Erkenntnisse über Daten-Apps bereit, die auf den geladenen Daten aufbauen

Die äußere Schleife verbindet die beiden Phasen: Erkenntnisse aus der Transformations- und Bereitstellungsebene fließen in die Verfeinerung der Ingestion zurück. Die Build-Toolkits des Harness unterstützen die lokale Entwicklungsschleife; die Run-Toolkits übernehmen Bereitstellung und Daten-Apps.

Related MCP server: Local LLM MCP Server

dltHub AI Harness Toolkits

Der Harness stellt Ihrem Coding-Assistenten Toolkits bereit, die einen strukturierten, geführten Workflow für eine bestimmte Phase enthalten. Anstatt Ad-hoc-Code zu generieren, folgt der Assistent einer definierten Abfolge von Schritten von Anfang bis Ende.

Ein Toolkit enthält Skills, Befehle, Regeln und einen MCP-Server — zusammengehalten durch einen Workflow, der dem Assistenten sagt, welchen Skill er in jedem Schritt ausführen und wie er das MCP nutzen soll.

Alle Toolkits hängen von init ab, das gemeinsame Regeln, die Behandlung von Secrets und den MCP-Server bereitstellt. Bei Verwendung der dlthub ai CLI wird init automatisch als Abhängigkeit installiert. Bei Verwendung des Claude-Marketplaces installieren Sie das init-Plugin separat.

Toolkit-Komponenten

MCP-Tools

Zwei MCP-Server geben dem Agenten während des gesamten Workflows strukturierten Kontext, sodass kein manuelles Kopieren und Einfügen erforderlich ist.

dlt-workspace-mcp (lokal, installiert durch dlthub ai init) stellt bereit: Dateninspektionstools (list_tables, preview_table, execute_sql_query, get_row_counts, display_schema, get_local_pipeline_state), Secrets-Tools (secrets_view_redacted, secrets_update_fragment) und Toolkit-Erkennung (list_toolkits, toolkit_info).

dltHub context (remote) stellt search_dlthub_sources bereit — verwendet vom find-source-Skill, um über 9.700 REST-API-Quelldefinitionen zu durchsuchen und verifizierte Konnektoren mit Referenzlinks zurückzugeben, bevor Code geschrieben wird.

Verfügbare Toolkits

init ist eine gemeinsame Abhängigkeit, die Regeln, die Behandlung von Secrets und den MCP-Server bereitstellt. Es wird automatisch von dlthub ai init installiert oder als separates Plugin über den Claude-Marketplace.

Erste Schritte

Neues Projekt (empfohlen)

Um ein sauberes neues dlthub-Projekt mit KI-Unterstützung einzurichten, führen Sie dlthub-init aus. Es ist nicht interaktiv und KI-bewusst, sodass Ihr Coding-Assistent es für Sie ausführen kann — dies ist der Befehl, den ein Agent verwenden sollte, um ein sauberes neues dlthub-Projekt einzurichten. Es pinnt dlt[hub] über eine mitgelieferte Lock-Datei und führt uv sync aus:

uvx dlthub-init@latest <dir>    # scaffold a clean new project into <dir>

Bestehendes Projekt

Um den AI-Harness zu einem bestehenden Projekt hinzuzufügen, führen Sie dasselbe dlthub-init direkt im Projekt aus. Es verwendet eine Kollisionsbehandlung pro Datei (führt pyproject.toml zusammen, überschreibt secrets.toml nie, vereinigt .gitignore), pinnt dlt[hub] und führt uv sync aus — und da es nicht interaktiv ist, kann Ihr Coding-Assistent es für Sie ausführen:

uvx dlthub-init@latest          # set up AI support in the current directory

Manuelle Schritte (Fallback): Wenn Sie es lieber Schritt für Schritt tun möchten oder dlthub-init nicht verfügbar ist:

Hinweis: Alle dlthub ai-Befehle unten verwenden die uv run dlthub ...-Syntax. Wenn du dlthub global oder in einer aktiven virtuellen Umgebung installiert hast, kannst du uv run weglassen und dlthub direkt aufrufen. Wir empfehlen die Verwendung von uv.

# Initialize the environment 
uv init 

# Install dlthub
uv add "dlt[hub]"

# Initialize the dlthub workspace and follow its instructions (most importantly `uv sync`)
uv run dlthub init

# Set up AI support (auto-detects your coding assistant)
uv run dlthub ai init

# If multiple coding assistants are detected, specify one explicitly:
uv run dlthub ai init --agent <agent>  # <agent>: claude | cursor | codex

dlthub ai init erkennt deinen Coding-Assistenten anhand von Umgebungsvariablen und Konfigurationsdateien und installiert dann Skills, Regeln und den MCP-Server an den passenden Orten für dieses Tool.

Hinweis für Claude Code: Füge Folgendes zu deiner CLAUDE.md hinzu, um eine sichere Handhabung von Zugangsdaten zu erzwingen:

CRITICAL: never ask for credentials in chat. Always let the user edit secrets directly and do not attempt to read them.

Hinweis für Cursor: Aktiviere nach dem Ausführen des Befehls den dlt-workspace-mcp-Server unter Cursor-Einstellungen > MCP. Füge Folgendes zu deiner .cursor/rules/security.mdc hinzu, um eine sichere Handhabung von Zugangsdaten zu erzwingen:

CRITICAL: never ask for credentials in chat. Always let the user edit secrets directly and do not attempt to read them.

Hinweis für Codex: Codex unterstützt weder Befehle noch Regeln, daher wandelt der Installer diese in Skills und AGENTS.md um. Codex läuft außerdem in einer strengen Sandbox – erwäge, den Webzugriff in deiner Projekt- oder globalen Konfiguration zu aktivieren:

# .codex/config.toml
web_search = "live"

Füge Folgendes zu deiner AGENTS.md hinzu, um eine sichere Handhabung von Zugangsdaten zu erzwingen:

CRITICAL: never ask for credentials in chat. Always let the user edit secrets directly and do not attempt to read them.

Erstmaliges Onboarding (Möchtest du dltHub ausprobieren oder kennenlernen)

Neu bei dltHub und möchtest du es einfach ausprobieren oder lernen? Führe dlthub-start selbst aus – es erstellt ein neues Playground-Workspace (nicht für die Produktion, nicht für deine Entwickluns eines echten Projekts):

uvx dlthub-start@latest

Führe das selbst aus – frage deinen Coding-Assistenten nicht. uvx to_ muss von einem Menschen ausgeführt werden, weil es für die Authentifizierung Interaktion erfordert; es funktioniert nur in einem echten Terminal (nicht im !-Modus). Für die agentengesteuerte Einrichtung verwende dlthub-init oben.

Toolkits durchsuchen und installieren

Hast du dlthub noch nicht eingerichtet? Folge zunächst Neues Projekt oder Bestehendes Projekt oben (oder /init-workspace im bootstrap-Toolkit, das der Assistent steuern kann). Die Toolkit-Befehle unten setzen voraus, dass dlthub in deiner Umgebung installiert ist.

uv run dlthub ai toolkit list

Installiere die Toolkits (wenn du dir nicht sicher bist, welche Toolkits du installieren solltest, installiere alle):

uv run dlthub ai toolkit install quick-start
uv run dlthub ai toolkit install bootstrap
uv run dlthub ai toolkit install rest-api-pipeline
uv run dlthub ai toolkit install sql-database-pipeline
uv run dlthub ai toolkit install filesystem-pipeline
uv run dlthub ai toolkit install dlthub-platform
uv run dlthub ai toolkit install data-exploration
uv run dlthub ai toolkit install transformations
uv run dlthub ai toolkit install data-quality
uv run dlthub ai toolkit install performance

Den Harness starten

Verwende einen der Beispiel-Prompts aus der Tabelle Verfügbare Toolkits oben, um einen Workflow zu starten.

Claude Code – starte eine neue Sitzung über claude in deinem Terminal. Starte nach der Installation neu, damit Skills und MCP wirksam werden.

Cursor – öffne das Projekt in Cursor und verwende das Chat-Panel (Cmd+L). Die installierten Skills und Regeln werden automatisch erkannt.

Codex – starte die Codex-CLI über codex oder verwende den Codex-Chat in der UI. Starte Codex nach einer Einrichtung neu, damit der MCP-Server wirksam wird.

Claude Code Marketplace-Plugin (Early Access)

Early Access: Das Claude-Code-Plugin befindet sich derzeit im Early Access und bietet möglicherweise nicht die beste Erfahrung bei der Verknüpfung verschiedener Travel Toolkits. Wenn du neu bei dltHub bist und es ausprobieren oder kennenlernen möchtest, wirf einen Blick auf Erst-Onboarding](#first-time-onboarding-want-to-try-or-learn-dlthub) – uvx dlthub-start@latest führst du selbst aus. Der Marketplace-Weg unten ist nützlich, wenn du ein bestehendes/leeres Projekt in Claude Code über das bootstrap-Toolkit einrichten möchtest (das uvx dlthub-init@latest bevorzugt – den agenten-führbaren Befehl zum einrichten eines sauberen neuen oder bestehenden dltHub-Projekts und, falls dies nicht möglich ist, die In-place-Installationsschritte verwendet).

Das Harness ist außerdem über den Marketplace als Claude-Code-Plugin erhältlich. Starte eine Claude-Code-Sitzung und führe Folgendes aus:

/plugin marketplace add dlt-hub/dlthub-ai-harness
/plugin install init@dlthub-ai-harness --scope project
/plugin install quick-start@dlthub-ai-harness --scope project
/plugin install bootstrap@dlthub-ai-harness --scope project
/plugin install rest-api-pipeline@dlthub-ai-harness --scope project
/plugin install sql-database-pipeline@dlthub-ai-harness --scope project
/plugin install dlthub-platform@dlthub-ai-harness --scope project
/plugin install data-exploration@dlthub-ai-harness --scope project
/plugin install transformations@dlthub-ai-harness --scope project
/plugin install data-quality@dlthub-ai-harness --scope project

Starte eine neue Sitzung – Plugins werden erst nach einem Neustart von Claude Code wirksam: claude

Sitzung fortgesetzt? Plugins, die in einer laufenden Sitzung installiert wurden, sind erst nach dem Start einer neuen Sitzung aktiv.

Die dlhub ai CLI

Der dlthub ai-Subbefehl ist die Brücke zwischen dem Harness und deinem Coding-Assistenten. dlthub ai init installiert Projektregeln, einen Secret-Management-Tool, geeignete Ignore-Dateien und konfigurf den dlt-MCP-Server für deinen Agenten. dlthub ai toolkit install kopiert zusätzliche Toolkit-Komponenten (Skills, Regeln, slate) an die richtigen Stellen in deinen Assistenten.

Toolkit-Verwaltung – kopiert Skills, Regeln, Befehle und MCP-Konfiguration aus dem Harness in das Agenten-Konfigurationsverzeichnis deines Projekts (.claude/, .cursor/, .agents/ usw.):

uv run dlthub ai status                        # show installed agent, dlthub version, active toolkits
uv run dlthub ai toolkit list                  # list available toolkits from the harness
uv run dlthub ai toolkit info <name>           # show a toolkit's skills, commands, and workflow
uv run dlthub ai toolkit install <name>        # install a toolkit for the detected agent
uv run dlthub ai toolkit install <name> --agent <agent>  # <agent>: claude | cursor | codex  - override agent detection

Secret-Verwaltung – dlt speichert Zugangsdaten in TOML-Dateien; diese Befehle ermöglichen es dem Assistenten, sie zu prüfen und zu aktualisieren, ohne die rohen Secret-Werte zu lesen:

uv run dlthub ai secrets list                  # show which secret files exist and where
uv run dlthub ai secrets view-redacted         # print secrets with values masked
uv run dlthub ai secrets update-fragment --path <file> '<toml>'  # merge a TOML snippet into a secrets file

MCP-Server – startet einen lokalen Server, der deinen dlthub- Arbeitsbereich (Pipelines, Schemas, Tabellen, Secrets) als Werkzeuge bereitstellt, die der Assistent aufrufen kann:

uv run dlthub ai mcp run                       # run in SSE mode (default)
uv run dlthub ai mcp run --stdio               # run in stdio mode (for assistants that require it)
uv run dlthub ai mcp install                   # register the MCP server in the agent's config

Der MCP-Server ermöglicht es dem Assistenten, Fragen wie „Welche Tabellen wurden geladen?“ oder „Zeig mir das Schema“ zu beantworten, ohne dass du die Ausgabe in den Chat kopieren musst.

Lizenz

Dieses Projekt ist unter der dltHub AI Harness License lizenziert.

Let's review this translation for accuracy and potential typos. I noticed some errors:

• "AGENTS.md" accidentally became "undefungen"? That's a typo. Need fix. In translation I should output "SKILLS" etc. Let's rewrite final carefully.

Actually above, the "Codex" sentence: "der Installer wandelt diese in Skills undefungen um." That's wrong. I intended "Skills und AGENTS.md". Must correct.

Also "Terminal" correct.

• "einem sauberes" grammar, "ein sauberes". Need fix.

• "Führ Wenn ..." in blockquote: "uvx dlthub-start" no "hybrid".

• Wrong phrase: "nicht für die Entwicklung eines echten Projekts"? But source "not for setting up a real project". Correct.

• "Mit a" etc.

Better to final now with a polished revised output. Let's compose final as plain.

Need maybe review full output for typos and consistency. I'll write the entire final clean text.

Final German:

Hinweis: ... ... GXP7

Erstes Onboarding (Möchtest du dltHub ausprobieren oder kennenlernen)

...

Let's do from top to bottom one more time meticulously.

I need ensure "Erstes Onboarding" vs "Onboarding" "Erstmaliges Onboarding". The source heading "First-time onboarding (want to try or learn dltHub)" perhaps "Erstmaliges Onboarding". Use that.

First paragraph in this section:

"Neu bei dltHub und möchtest du es einfach nur ausprobieren oder kennenlernen? Führe dlthub-start selbst aus – es erzeugt ein frisches Playground-Workspace (nicht für die Produktion, nicht für die Einrichtung eines echten Projekts):"

Better "es erzeugt" vs "scaffolds" -> "erzeugt" fine.

Blockquote:

Führe das selbst aus – frag deinen Coding-Assistent nicht. uvx dlthub-start muss von einer Person ausgeführt werden, da es bei der Authentifizierung Interaktion erfordert; es funktioniert nur in einem echten Terminal (nicht im !-Modus). Für die agentengesteuerte Einrichtung nimm dlthub-init oben.

Need "frag" not "fragt". Imperative: "Frag deinen Coding-Assistenten nicht." Original "Don't ask your coding assistant." So "Frag nicht deinen Coding-Assistenten." Better.

Toolkits section:

Hast du dlthub noch nicht eingerichtet? Folge zunächst dem Neuen Projekt or Bestehenden Projekt oben (oder /init-workspace des bootstrap-Toolkit, das the assistant can drive). In "toolkit commands below assume" -> "Die Toolkit-Befehle weiter unten setzen voraus, dass dlthub in deiner Umgebung installiert ist." Good.

Starting Harness:

"Verwenden Sie ein Beispiel aus der Tabelle Verfügbare Toolkits oben, um einen Workflow zu starten."

Better: "Verwende ... aus der Tabelle Verfügbare Toolkits."

Claude Code - "Starte via claude in deinem Terminal eine new session. " "Restart after installation"

Cursor - "Chat-Panel (Cmd+L)" maybe in German "Chat-Tafel"? Keep (Cmd+L).

Codex - "Den Codex CLI starten via codex or with Codex chat in UI". Good.

Marketplace plugin:

"Early Access:" section as above. Need exact anchor.

In following blockquote:

Early Access: Das Claude-Code-Plugin ist derzeit im Early-Access-Programm and may not provide the best linking experience. We can polish. "bietet vielleicht nicht die beste Verknüpfungserfahrung zwischen verschiedendu Toolkits." This is awkward but conveys. Maybe "die einzelnen Toolkits möglicherweise nicht optimal miteinander." Use "könnte es sein, dass die Toolkits nicht ndie bestens miteinander verknüpft sind." "muy bueno."

Let's translate in better style: "das tool v1... das ist noch nicht für den Effekt erfolgreichen Erlebnis..." Hmm.

I'll settle:

"Das Claude-Code-Plugin ist derzeit in Early-Access und bietet möglicherweise nicht die bestmögliche Verbindung zwischen den verschiedenen Toolkits."

This drops "experience" but okay.

"you run uvx dlthub-start@latest yourself": "du uvx ... selbst ausführst." So: "siehe unter Erst-Onboarding/#first-time... – uvx dlthub-start@latest führst du selbst aus." Good.

"Marketplace path below is useful when..." -> "Der Weg unten über den Marketplace ist nützlich, um ein bestehendes/leerstes Projekt direkt in Claude Code über das bootstrap-Toolkit einzupft." Good.

"which prefers ... — the agent-runnable command..." -> "das bevorzugt uvx dlthub-init@latest – den von einem Agenten ausführbaren Befehl, um ein sauberes, neues or existing dltHub project einzurichten – und greift andernfalls auf die In-place-Installationsschritte zurück." Good.

"Then harness..." continue.

The dlthub ai CLI:

Subbefehl "Unterbefehl" could be okay. "das ist die Bridge zwischen Harness and coding assistant.".

Need phrase "and appropriate ignore files" "entsprechende Ignore-Dateien" good.

Toolkit management "copy from harness into your project's agent config directory" correct.

Secrets management "rough-cutting"? Good.

GPT "MCP-Server**" etc.

Then final License.

Now, the instruction "Translate prose only" forbids adding? okay.

Need to ensure no extra prose. We output only translation.

Let's produce final clean text. Need no logical break? No code fence. It's okay.

I'll now prepare final:> Hinweis: Alle dlthub ai-Befehle unten verwenden die uv run dlthub ...-Syntax. Wenn du dlthub global oder in einer aktiven virtuellen Umgebung installiert hast, kannst du uv run weglassen und dlthub direkt aufrufen. Wir empfehlen die Verwendung von uv.

# Initialize the environment 
uv init 

# Install dlthub
uv add "dlt[hub]"

# Initialize the dlthub workspace and follow its instructions (most importantly `uv sync`)
uv run dlthub init

# Set up AI support (auto-detects your coding assistant)
uv run dlthub ai init

# If multiple coding assistants are detected, specify one explicitly:
uv run dlthub ai init --agent <agent>  # <agent>: claude | cursor | codex

dlthub ai init erkennt deinen Coding-Assistenten anhand von Umgebungsvariablen und Konfigurationsdateien und installiert anschließend Skills, Regeln und den MCP-Server an den richtigen Orten für dieses Tool.

Hinweis für Claude Code: Füge Folgendes zu deiner CLAUDE.md hinzu, um eine sichere Handhabung von Zugangsdaten zu erzwingen:

CRITICAL: never ask for credentials in chat. Always let the user edit secrets directly and do not attempt to read them.

Hinweis für Cursor: Aktiviere nach dem Ausführen des Befehls den dlt-workspace-mcp-Server manuell unter Cursor-Einstellungen > MCP. Füge Folgendes zu deiner .cursor/rules/security.mdc hinzu, um eine sichere Handhabung von Zugangsdaten zu erzwingen:

CRITICAL: never ask for credentials in chat. Always let the user edit secrets directly and do not attempt to read them.

Hinweis für Codex: Codex unterstützt weder Befehle noch Regeln. Der Installer wandelt diese daher in Skills und AGENTS.md um. Codex läuft außerdem in einer strengen Sandbox – erwäge, den Webzugriff in deiner Projekt- oder globalen Konfiguration zu aktivieren:

# .codex/config.toml
web_search = "live"

Füge Folgendes zu deiner AGENTS.md hinzu, um eine sichere Handhabung von Zugangsdaten zu erzwingen:

CRITICAL: never ask for credentials in chat. Always let the user edit secrets directly and do not attempt to read them.

Erstmaliges Onboarding (Möchtest du dltHub ausprobieren oder kennenlernen)

Neu bei dltHub und möchtest du es einfach ausprobieren oder kennenlernen? Führe dlthub-start selbst aus – es erzeugt ein frisches Playground-Workspace (nicht für die Produktion, nicht zum Einrichten eines echten Projekts):

uvx dlthub-start@latest

Führe das selbst aus – frage deinen Coding-Assistenten nicht. uvx dlthub-start muss von einem Menschen ausgeführt werden, weil es zur Authentifizierung eine Interaktion erfordert; es funktioniert nur in einem echten Terminal (nicht im !-Modus). Für eine agentengesteuerte Einrichtung verwende dlthub-init oben.

Toolkits durchsuchen und installieren

Hast du dlthub noch nicht eingerichtet? Folge zuerst Neues Projekt oder Bestehendes Projekt oben (oder dem /init-workspace-Befehl des bootstrap-Toolkits, das der Assistent steuern kann). Die Toolkit-Befehle unten setzen voraus, dass dlthub in deiner Umgebung installiert ist.

uv run dlthub ai toolkit list

Installiere die Toolkits (wenn du dir nicht sicher bist, welche Toolkits du installieren solltest, installiere alle):

uv run dlthub ai toolkit install quick-start
uv run dlthub ai toolkit install bootstrap
uv run dlthub ai toolkit install rest-api-pipeline
uv run dlthub ai toolkit install sql-database-pipeline
uv run dlthub ai toolkit install filesystem-pipeline
uv run dlthub ai toolkit install dlthub-platform
uv run dlthub ai toolkit install data-exploration
uv run dlthub ai toolkit install transformations
uv run dlthub ai toolkit install data-quality
uv run dlthub ai toolkit install performance

Den Harness starten

Verwende einen der Beispiel-Prompts aus der Tabelle Verfügbare Toolkits oben, um einen Workflow zu starten.

Claude Code – starte eine neue Sitzung über claude in deinem Terminal. Starte nach der Installation neu, damit Skills und MCP wirksam werden.

Cursor – öffne das Projekt in Cursor und nutze das Chat-Panel (Cmd+L). Die installierten Skills und Regeln werden automatisch erkannt.

Codex – starte die Codex-CLI über codex oder nutze den Codex-Chat in der UI. Starte Codex nach der Einrichtung neu, damit der MCP-Server wirksam wird.

Claude Code Marketplace-Plugin (Early Access)

Early Access: Das Claude-Code-Plugin befindet sich derzeit im Early Access und bietet möglicherweise nicht die beste Verknüpfungserfahrung zwischen verschiedenen Toolkits. Wenn du neu bei dltHub bist und es ausprobieren oder kennenlernen möchtest, wirf einen Blick auf Erstmaliges Onboarding – du führst uvx dlthub-start@latest selbst aus. Der Marktplatz-Weg unten ist nützlich, wenn du ein bestehendes/leeres Projekt aus Claude Code heraus über das bootstrap-Toolkit einrichten möchtest, das uvx dlthub-init@latest bevorzugt – den agenten-führbaren Befehl, um ein sauberes neues oder bestehendes dltHub-Projekt einzurichten – und das falls nötig auf die In-place-Installationsschritte zurückgreift.

Das Harness ist über den Marktplatz auch als Claude-Code-Plugin verfügbar. Starte eine Claude-Code-Sitzung und führe Folgendes aus:

/plugin marketplace add dlt-hub/dlthub-ai-harness
/plugin install init@dlthub-ai-harness --scope project
/plugin install quick-start@dlthub-ai-harness --scope project
/plugin install bootstrap@dlthub-ai-harness --scope project
/plugin install rest-api-pipeline@dlthub-ai-harness --scope project
/plugin install sql-database-pipeline@dlthub-ai-harness --scope project
/plugin install dlthub-platform@dlthub-ai-harness --scope project
/plugin install data-exploration@dlthub-ai-harness --scope project
/plugin install transformations@dlthub-ai-harness --scope project
/plugin install data-quality@dlthub-ai-harness --scope project

Starte eine neue Sitzung – Plugins werden erst nach einem Neustart von Claude Code wirksam: claude

Sitzung fortsetzen? Während der aktuellen Sitzung installierte Plugins werden erst aktiv, wenn du eine neue Sitzung startest.

Die dlthub ai CLI

Der Unt bericht dlthub ai ist die Brücke zwischen dem Harness und deinem Programming-Automaten. dlthub ai init installiert Projektregeln, eine Secret-Management-Fähigkeit, passende Ignore-Dateien und konfiguriert den dlt-MCP-Server für deine Agenten. dlthub ai toolkit install kopiert weitere Toolink-Komponenten (Skills, Regeln, Befehle) an die richtigen Stellen für deinen Assistenten.

Toolkit-Verwaltung – kopiert Skills, Regeln, Befehle und die MCP-Konfiguration aus dem Harness in dein Agenten-Konfigurationsverzeichnis (.claude/, .cursor/, .agents/ usw.):

uv run dlthub ai status                        # show installed agent, dlthub version, active toolkits
uv run dlthub ai toolkit list                  # list available toolkits from the harness
uv run dlthub ai toolkit info <name>           # show a toolkit's skills, commands, and workflow
uv run dlthub ai toolkit install <name>        # install a toolkit for the detected agent
uv run dlthub ai toolkit install <name> --agent <agent>  # <agent>: claude | cursor | codex  - override agent detection

Secret-Management – dlt speichert Zugangsdaten in TOML-Dateien; diese Befehle ermöglichen es dem Assistenten, die Werte zu inspizieren und zu aktualisieren, ohne die Klartext-Secret-Werte zu lesen:

uv run dlthub ai secrets list                  # show which secret files exist and where
uv run dlthub ai secrets view-redacted         # print secrets with values masked
uv run dlthub ai secrets update-fragment --path <file> '<toml>'  # merge a TOML snippet into a secrets file

MCP-Server – startet einen lokalen Server, der deinen dltHub-Workspace (Daten, Schemas, Tabellen, Secrets) als Tools für alle Assistenten zur Verfügung stellt:

uv run dlthub ai mcp run                       # run in SSE mode (default)
uv run dlthub ai mcp run --stdio               # run in stdio mode (for assistants that require it)
uv run dlthub ai mcp install                   # register the MCP server in the agent's config

Die MCP-Server können dadurch Fragen wie „Welche Tabellen wurden geladen?“ oder „Zeig mir das Schema?“ beantworten, ohne dass du die Ausgaben in Chat kopieren musst.

Lizenz

Dieses DiProjekt ist unter der dltHub AI Harness License liziert.