CodeBuddy可基于自然语言注释自动生成可运行ETL管道代码：需用→符号串联明确动词操作链，如“从sales_orders.csv读取→过滤status为'paid'→按customer_id聚合→输出到MySQL表sales_summary”，选中后点击Craft按钮生成完整Python脚本，并支持.env动态加载DB连接参数及一键部署至Docker+Kubernetes。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你需要把散落在Excel、CSV、数据库里的业务数据自动清洗、转换、加载到数仓或BI平台，避免每次手动拖拽和写重复SQL脚本。CodeBuddy能基于自然语言描述直接生成可运行的ETL管道代码，并支持本地调试与一键部署。
定义ETL需求并触发AI生成
在CodeBuddy IDE中打开项目根目录，右键新建文件 → 命名为etl_pipeline.py → 在文件内输入三行注释作为AI指令：
# 从sales_orders.csv读取订单数据 → 过滤status为'paid'的记录 → 按customer_id聚合总金额与订单数 → 输出到MySQL表sales_summary
选中这三行注释 → 点击右侧AI Copilot面板中的Craft按钮 → 等待10秒左右，AI将自动生成完整Python脚本，含pandas处理逻辑与SQLAlchemy连接配置。
这一步不能跳过注释格式，【必须用→符号串联操作链，且每步动词明确】，否则AI会误判为普通注释而忽略生成。
配置数据源连接参数
方法一：修改生成代码中的engine = create_engine("sqlite:///data.db")为真实MySQL连接串：
engine = create_engine("mysql+pymysql://user:pass@host:3306/dbname?charset=utf8mb4")
方法二：使用MCP（Model Context Protocol）注入环境变量——在项目根目录创建.env文件，写入：
DB_URL=mysql+pymysql://${DB_USER}:${DB_PASS}@${DB_HOST}:3306/${DB_NAME}
然后在代码开头添加from dotenv import load_dotenv; load_dotenv()，再用os.getenv("DB_URL")动态加载。此方式更安全，避免密钥硬编码。
本地验证ETL逻辑
第一步：确保已安装依赖 → 终端执行pip install pandas pymysql sqlalchemy python-dotenv
第二步：准备测试数据 → 将示例sales_orders.csv放入./data/目录，内容至少包含order_id,customer_id,status,amount,date五列
第三步：运行脚本 → 终端执行python etl_pipeline.py，观察控制台是否输出“Loaded X rows, inserted Y records”
若报错ModuleNotFoundError: No module named 'pymysql'，说明未激活当前Python环境，需先执行source venv/bin/activate（macOS/Linux）或venv\Scripts\activate（Windows）
部署至生产环境
打开CodeBuddy左侧导航栏的Integrations面板 → 点击Add Deployment Target → 选择Docker + Kubernetes
填写集群地址、命名空间、镜像仓库路径 → 点击Generate Deployment YAML，AI将输出包含ConfigMap（挂载.env）、Secret（加密DB凭证）、Job资源定义的完整YAML
确认无误后点击Deploy Now，CodeBuddy自动执行docker build → push → kubectl apply全流程
【部署前务必检查YAML中image字段是否指向你自己的私有仓库，而非默认的codebuddy/demo】
