AI может написать код за секунды. Понять и поддерживать этот код — уже ваша задача.

Именно поэтому всё больше внимания уделяется не только генерации кода, но и его единообразию.

В новом материале Bartosz Konieczny(тот самый автор Data Engineering Design Patterns) рассказывает, как использовать Ruff в проектах на Databricks и почему этот инструмент стал стандартом даже для Apache Spark.

Основные мысли:

• Ruff объединяет линтер и форматтер в одном инструменте, упрощая разработческий стек.

• Сообщество Apache Spark использует Ruff для проверки качества и форматирования Python-кода.

• Не стоит бездумно копировать чужие наборы правил — конфигурация должна отражать потребности конкретного проекта.

• Для Databricks Declarative Automation Bundles полезно запускать Ruff через pre-commit, чтобы находить проблемы ещё до отправки изменений в репозиторий.
Такой подход автор уже демонстрировал на примере автоматической валидации DAB через Git hooks.

• Строгие проверки лучше выполнять в CI/CD для основных веток, а не блокировать разработку в sandbox-окружениях.

В эпоху AI-агентов стиль кода становится не вопросом эстетики, а способом сохранить контроль над кодовой базой. Чем больше кода генерируется автоматически, тем важнее единые правила его оформления и проверки.

Статья автора:

Ruff and Declarative Automation Bundles⁠

@tldr_data