dltHub AI Harness

dlt (data load tool) es una biblioteca Python de código abierto para cargar datos desde APIs y bases de datos a un warehouse o lakehouse. dltHub (plataforma de pago) amplía dlt con funciones de nivel empresarial adaptadas a las necesidades de los agentes de codificación: transformaciones, validación de calidad de datos, infraestructura de ejecución gestionada, data apps gestionadas y un entorno de workspace con IA.

El dltHub AI Harness es una colección de toolkits que proporcionan a los asistentes de codificación con IA flujos de trabajo paso a paso para crear pipelines de datos con dlt. Puedes usar el harness tal cual o hacer un fork y personalizarlo para tu propio stack. La CLI de dlthub ai instala los componentes de los toolkits en las ubicaciones correctas para tu asistente y ejecuta el servidor MCP del workspace.

Los toolkits de Build cubren la ingesta (REST API, SQL), la transformación y la calidad de datos; los toolkits de Run gestionan el despliegue y la exploración. El toolkit de REST API está respaldado por el contexto de dltHub: más de 9.700 definiciones de fuentes que el agente consulta para encontrar conectores verificados antes de escribir código. Los nuevos usuarios pueden empezar con el toolkit quick-start para un recorrido guiado de principio a fin, desde los datos hasta el dashboard.

El dltHub AI Harness está probado con Claude Code, Cursor y Codex, y puede funcionar con otros asistentes de codificación con IA. Recomendamos trabajar en modo accept edits (Claude) / --approval-mode (Codex) para revisar los cambios y familiarizarse con los flujos de trabajo de dlthub AI al empezar con el dltHub AI Harness.

El dlthub AI Harness admite el flujo de trabajo iterativo de ingeniería de datos

La creación de pipelines de datos es iterativa y abarca dos fases principales — ingesta y transformaciones — cada una siguiendo el mismo bucle interno:

Build (desarrollo local)

• Desarrolla el pipeline de forma iterativa — para la ingesta: primero el endpoint de REST API, luego endpoints adicionales; para la transformación: primero el modelo de datos, luego el pipeline de transformación completo

• Explora los datos cargados y valídalos después de cada paso

• Vuelve a iterar para refinar hasta que el pipeline sea sólido

Run (producción)

• Despliega el pipeline de ingesta o transformación a producción

• Ofrece insights mediante data apps construidas sobre los datos cargados

El bucle externo conecta las dos fases: los insights de la capa de transformación y de servicio retroalimentan el refinamiento de la ingesta. Los toolkits de Build del harness admiten el bucle de desarrollo local; los toolkits de Run gestionan el despliegue y las data apps.

Related MCP server: Local LLM MCP Server

dltHub AI Harness Toolkits

El harness proporciona a tu asistente de codificación toolkits — que contienen un flujo de trabajo estructurado y guiado para una fase específica. En lugar de generar código ad-hoc, el asistente sigue una secuencia definida de pasos de principio a fin.

Un Toolkit contiene skills, comandos, reglas y un servidor MCP — unidos por un workflow que le indica al asistente qué skill ejecutar en cada paso y cómo aprovechar el MCP.

Todos los toolkits dependen de init para las reglas compartidas, el manejo de secretos y el servidor MCP. Al usar la CLI de dlthub ai, init se instala automáticamente como dependencia. Al usar el marketplace de Claude, instala el plugin init por separado.

Componentes de los toolkits

Herramientas MCP

Dos servidores MCP proporcionan al agente contexto estructurado a lo largo del flujo de trabajo para evitar la necesidad de copiar y pegar manualmente.

dlt-workspace-mcp (local, instalado por dlthub ai init) expone: herramientas de inspección de datos (list_tables, preview_table, execute_sql_query, get_row_counts, display_schema, get_local_pipeline_state), herramientas de secretos (secrets_view_redacted, secrets_update_fragment) y descubrimiento de toolkits (list_toolkits, toolkit_info).

contexto de dltHub (remoto) proporciona search_dlthub_sources — utilizado por el skill find-source para buscar más de 9.700 definiciones de fuentes REST API y devolver conectores verificados con enlaces de referencia antes de escribir código.

Toolkits disponibles

init es una dependencia compartida que proporciona reglas, manejo de secretos y el servidor MCP. Se instala automáticamente con dlthub ai init o como plugin independiente a través del marketplace de Claude.

Primeros pasos

Proyecto nuevo (recomendado)

Para configurar un proyecto dlthub nuevo y limpio con soporte de IA, ejecuta dlthub-init. Es no interactivo y compatible con IA, por lo que tu asistente de codificación puede ejecutarlo por ti — este es el comando que un agente debe usar para configurar un proyecto dlthub nuevo y limpio. Fija dlt[hub] mediante un lock incluido y ejecuta uv sync:

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

Proyecto existente

Para añadir el AI harness a un proyecto existente, ejecuta el mismo dlthub-init in situ. Utiliza manejo de colisiones por archivo (fusiona pyproject.toml, nunca sobrescribe secrets.toml, une .gitignore), fija dlt[hub] y ejecuta uv sync — y, al ser no interactivo, tu asistente de codificación puede ejecutarlo por ti:

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

Pasos manuales (alternativa): si prefieres hacerlo paso a paso, o dlthub-init no está disponible:

Nota: Todos los comandos dlthub ai que aparecen a continuación usan la sintaxis uv run dlthub .... Si tienes dlthub instalado globalmente o en un entorno virtual activo, puedes omitir uv run y llamar a dlthub directamente. Recomendamos usar 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 detecta tu asistente de codificación a partir de las variables de entorno y los archivos de configuración, y luego instala las skills, las reglas y el servidor MCP en las ubicaciones correctas para esa herramienta.

Nota de Claude Code: Añade lo siguiente a tu CLAUDE.md para garantizar un manejo seguro de las credenciales:

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

Nota de Cursor: Después de ejecutar el comando, habilita manualmente el servidor dlt-workspace-mcp en Cursor Settings > MCP. Añade lo siguiente a tu .cursor/rules/security.mdc para garantizar un manejo seguro de las credenciales:

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

Nota de Codex: Codex no admite comandos ni reglas, por lo que el instalador los convierte en skills y en AGENTS.md. Codex también se ejecuta en un sandbox estricto — considera habilitar el acceso web en tu proyecto o en la configuración global:

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

Añade lo siguiente a tu AGENTS.md para garantizar un manejo seguro de las credenciales:

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

Primera configuración (¿quieres probar o aprender dltHub?)

¿Eres nuevo en dltHub y solo quieres probarlo o aprenderlo? Ejecuta dlthub-start tú mismo — genera un espacio de trabajo playground nuevo (no para producción, no para configurar un proyecto real):

uvx dlthub-start@latest

Ejecútalo tú mismo — no se lo pidas a tu asistente de codificación. uvx dlthub-start debe ejecutarlo una persona porque requiere interacción para la autenticación; solo funciona en una terminal real (no en modo !). Para una configuración dirigida por agentes, usa dlthub-init más arriba.

Explorar e instalar toolkits

¿Aún no tienes dlthub configurado? Sigue primero Nuevo proyecto o Proyecto existente más arriba (o el /init-workspace del toolkit bootstrap, que el asistente puede ejecutar). Los comandos de toolkit que aparecen a continuación asumen que dlthub está instalado en tu entorno.

uv run dlthub ai toolkit list

Instala los toolkits (si no estás seguro de qué toolkits instalar, recomendamos instalarlos todos):

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

Iniciar el harness

Usa uno de los prompts de ejemplo de la tabla Toolkits disponibles de más arriba para iniciar un flujo de trabajo.

Claude Code — inicia una nueva sesión mediante claude en tu terminal. Reinícialo después de la instalación para que las skills y el MCP surtan efecto.

Cursor — abre el proyecto en Cursor y usa el panel de chat (Cmd+L). Las skills y las reglas instaladas se detectan automáticamente.

Codex — inicia la CLI de Codex mediante codex o usa el chat de Codex en la interfaz. Reinicia Codex después de la configuración para que el servidor MCP surta efecto.

Plugin de marketplace de Claude Code (Early Access)

Early Access: El plugin de Claude Code está actualmente en early access y puede que no ofrezca la mejor experiencia de vinculación entre los distintos toolkits. Si eres nuevo en dltHub y quieres probarlo o aprenderlo, consulta Primera configuración — ejecutas uvx dlthub-start@latest tú mismo. La ruta de marketplace que aparece a continuación es útil cuando quieres hacer bootstrap de un proyecto existente o vacío desde dentro de Claude Code mediante el toolkit bootstrap (que prefiere uvx dlthub-init@latest — el comando ejecutable por agentes para configurar un proyecto dltHub nuevo o existente desde cero — y recurre a los pasos de instalación in-place).

El harness también está disponible como plugin de Claude Code a través del marketplace. Inicia una sesión de Claude Code y ejecuta:

/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

Inicia una nueva sesión — los plugins solo surten efecto después de reiniciar Claude Code: claude

¿Reanudando una sesión? Los plugins instalados a mitad de sesión no están activos hasta que inicies una nueva.

La CLI dlthub ai

El subcomando dlthub ai es el puente entre el harness y tu asistente de codificación. dlthub ai init instala las reglas del proyecto, una skill de gestión de secretos, los archivos de ignore adecuados y configura el servidor MCP de dlt para tu agente. dlthub ai toolkit install copia componentes adicionales del toolkit (skills, reglas, comandos) en las ubicaciones correctas para tu asistente.

Gestión de toolkits — copia skills, reglas, comandos y configuración de MCP desde el harness al directorio de configuración del agente de tu proyecto (.claude/, .cursor/, .agents/, etc.):

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

Gestión de secretos — dlt almacena las credenciales en archivos TOML; estos comandos permiten al asistente inspeccionarlas y actualizarlas sin leer los valores secretos en bruto:

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

Servidor MCP — inicia un servidor local que expone tu espacio de trabajo de dlthub (pipelines, schemas, tablas, secretos) como herramientas que el asistente puede invocar:

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

El servidor MCP permite al asistente responder preguntas como «¿qué tablas se cargaron?» o «muéstrame el schema» sin que tengas que copiar y pegar la salida en el chat.

Licencia

Este proyecto está licenciado bajo la dltHub AI Harness License.