Formation · Cursor · Data engineering

Cursor pour les data engineers

Développer efficacement avec l’éditeur IA Cursor : mode Agent, rules, contexte de code, complétion Tab, agents en arrière-plan et revue.

Durée
2 jours (14 h)
Format
En ligne ou en présentiel
Langue
Allemand ou anglais
Participants
sessions ouvertes ou intra-entreprise
Attestation
Attestation de participation

Présentation

Cette formation associe Cursor aux processus quotidiens du domaine Data engineering. Les participants travaillent sur des scénarios réalistes et repartent avec des prompts, des workflows et des checklists immédiatement utilisables.

Cursor est un éditeur de code dopé à l’IA, construit sur VS Code, qui intègre les modèles de langage au cœur du quotidien des développeurs. Outre une complétion Tab sensible au contexte, il propose un mode Agent capable d’explorer les fichiers, de planifier des modifications à l’échelle du projet, d’exécuter des commandes dans le terminal et de corriger les erreurs par itérations. En deux jours, vous apprenez à choisir le bon mode, à piloter le contexte et à articuler l’IA avec vos pratiques de versionnement, de tests et de revue.

La formation met l’accent sur l’usage en équipe. Grâce aux rules de projet, vous formalisez choix d’architecture, conventions de nommage et stratégie de tests afin que l’agent produise des résultats cohérents. Vous exploitez l’indexation du code, les références ciblées à des fichiers, à la documentation ou à des symboles, ainsi que les intégrations MCP. Vous déléguez aussi des tâches à des agents en arrière-plan, relisez leurs propositions sous forme de pull requests et mettez en place une revue qui tient compte de la qualité, de la sécurité et de la confidentialité.

Les data engineers construisent et exploitent les pipelines sur lesquels reposent reporting, analytique et applications d’IA : ingestion depuis les systèmes sources, transformations avec dbt ou Spark, orchestration avec Airflow ou Dagster, qualité et gouvernance des données dans l’entrepôt ou le lakehouse. Le travail mêle SQL, Python, YAML et une connaissance fine des schémas et des dépendances. Les assistants et agents de codage IA l’accélèrent nettement : ils écrivent des modèles dbt avec tests et documentation, optimisent les requêtes lentes, créent des DAG Airflow, migrent des chaînes ETL historiques et expliquent un lignage complexe. Les données étant souvent sensibles, la gestion responsable des schémas, des jeux d’exemple et des identifiants est au cœur de cette formation.

La formation se déroule en direct – en ligne dans une classe virtuelle ou en présentiel dans nos salles à Munich, Salzbourg, Berlin, Augsbourg, Hanovre, Brême, Stuttgart et Kaiserslautern. Nous pouvons également l’organiser en intra pour votre équipe.

À qui s’adresse cette formation ?

  • Data engineers et analytics engineers
  • Développeurs BI responsables de l’ETL et de l’entrepôt de données
  • Équipes plateforme lakehouse et streaming
  • Développeurs chargés de moderniser des processus ETL historiques

Les défis concrets que nous traitons

  • Des chaînes ETL anciennes en procédures stockées ou outils propriétaires, sans tests
  • Des requêtes lentes et coûteuses et des jobs Spark peu efficaces
  • L’absence de contrôles de qualité et des responsabilités floues sur les jeux de données
  • Une documentation lacunaire des modèles de données, du lignage et des règles métier

Objectifs pédagogiques

  • Vous choisissez pour chaque tâche le mode de Cursor le plus adapté et l’utilisez efficacement.
  • Vous pilotez précisément le contexte du code pour obtenir des propositions plus justes.
  • Vous rédigez des rules de projet qui font respecter les conventions de votre équipe.
  • Vous utilisez le mode Agent et les agents en arrière-plan pour des fonctionnalités et refactorings vérifiables.
  • Mobiliser efficacement des agents IA pour les modèles dbt, les pipelines et l’optimisation SQL.
  • Moderniser l’ETL historique avec l’IA et sécuriser les résultats par des tests de rapprochement.
  • Protéger les données sensibles en travaillant avec des schémas, des jeux d’exemple synthétiques et des droits d’accès minimaux.

Programme

Jour 1

Module 1 Prendre en main Cursor et ses modes
  • Installation et reprise des paramètres et extensions VS Code
  • Différences entre complétion Tab, édition en ligne, mode Ask et mode Agent
  • Choisir un modèle selon la tâche : rapidité, profondeur et coût
  • Mode confidentialité et paramètres d’organisation
Module 2 Piloter le contexte du code
  • Fonctionnement et limites de l’indexation de la base de code
  • Référencer précisément fichiers, dossiers, symboles, documentation et sources web
  • Exclure les contenus sensibles ou inutiles grâce aux fichiers d’exclusion
  • Éviter les conversations trop longues et repartir d’un contexte propre
Module 3 Des rules pour des résultats cohérents en équipe
  • Créer et versionner des rules de projet, les cibler par motif de fichiers
  • Traduire conventions d’architecture, de style et de tests en rules efficaces
  • Distinguer rules personnelles et rules d’équipe
  • Améliorer les rules à partir des erreurs récurrentes de l’agent
Module 4 Le mode Agent en pratique
  • Développer une fonctionnalité pas à pas : plan, implémentation, tests
  • Mener des refactorings sur de nombreux fichiers en s’appuyant sur les checkpoints
  • Valider les commandes du terminal et renvoyer les messages d’erreur à l’agent
  • Connecter des serveurs MCP pour les tickets, les bases de données ou les tests navigateur

Jour 2

Module 5 Agents en arrière-plan, revue et gouvernance
  • Confier des tâches à des agents en arrière-plan et les traiter en parallèle
  • Relire les résultats sous forme de branche ou de pull request et réorienter si besoin
  • Combiner revue de code assistée par IA et relecture humaine
  • Traiter risques de sécurité, secrets et questions de licences en entreprise
Module 6 Atelier pratique : Data engineering
  • Modèles dbt avec tests
  • Optimiser les requêtes SQL
  • Pipelines Airflow et Dagster
  • Migrer l’ETL historique
  • Automatiser la qualité des données
  • Analyser les jobs Spark
Module 7 Protection des données, qualité & mise en pratique
  • Les prompts doivent contenir des schémas et des données synthétiques plutôt que des enregistrements personnels réels, et les identifiants ou chaînes de connexion aux bases doivent rester hors du contexte. Appliquez les principes du RGPD comme la limitation des finalités et la minimisation des données, documentez les flux de manière traçable et vérifiez licences et risques de chaîne d’approvisionnement des nouveaux paquets et connecteurs.
  • Règles du jeu pour un usage sûr de l’IA en équipe
  • Vérifier les résultats : faits, sources, tests et principe des quatre yeux
  • Plan d’action personnel pour les 30 prochains jours
  • Questions ouvertes, perspectives et ressources pour aller plus loin

Cas pratiques de votre domaine

Modèles dbt avec tests

L’agent écrit les modèles staging, intermediate et mart dans dbt, ajoute tests de schéma, définitions de sources et descriptions, puis exécute dbt build en boucle jusqu’à la réussite des modèles et des tests.

Optimiser les requêtes SQL

L’IA analyse les plans d’exécution, repère les jointures coûteuses et l’absence de partitionnement ou de clustering, puis réécrit les requêtes pour qu’elles parcourent moins de données et s’exécutent plus vite.

Pipelines Airflow et Dagster

Les besoins deviennent des DAG ou des assets à la structure de dépendances claire, avec relances, capteurs, alertes et prise en charge des backfills, ainsi que des tests de la logique de transformation.

Migrer l’ETL historique

Procédures stockées ou jobs ETL graphiques sont analysés, la logique métier documentée puis transposée progressivement en dbt ou PySpark, avec des requêtes de rapprochement entre ancien et nouveau traitement.

Automatiser la qualité des données

L’assistant définit des contrôles de complétude, d’unicité, de plages de valeurs et de fraîcheur, les implémente avec des tests dbt ou Great Expectations et configure des alertes en cas d’écart.

Analyser les jobs Spark

Informations de la Spark UI et logs sont interprétés, déséquilibres de partitions, shuffles et problèmes mémoire identifiés, et des optimisations proposées : broadcast joins, repartitionnement ou mise en cache.

Projets pratiques possibles

Tableau de bord qualité des données

Une petite application web qui lit les résultats des tests dbt ou des contrôles qualité et affiche clairement tendances, anomalies et tables concernées.

Pipeline d’ingestion d’une API REST

Un pipeline Python qui charge les données d’une API de façon incrémentale, détecte les évolutions de schéma et écrit les résultats partitionnés dans le lakehouse.

Explorateur de lignage

Un outil qui lit le manifeste dbt et représente les dépendances entre sources, modèles et tableaux de bord sous forme de graphe interactif.

Prérequis

Vous programmez régulièrement dans au moins un langage et connaissez Git ainsi qu’un IDE comme VS Code. Une bonne maîtrise de SQL et de Python et une expérience pratique d’un entrepôt de données, de dbt, de Spark ou d’un orchestrateur.

Prérequis techniques

Ordinateur portable personnel avec Cursor, Git et votre environnement de développement habituel ; un compte Cursor donnant accès aux fonctions d’agent est recommandé.

Protection des données & conformité

Les prompts doivent contenir des schémas et des données synthétiques plutôt que des enregistrements personnels réels, et les identifiants ou chaînes de connexion aux bases doivent rester hors du contexte. Appliquez les principes du RGPD comme la limitation des finalités et la minimisation des données, documentez les flux de manière traçable et vérifiez licences et risques de chaîne d’approvisionnement des nouveaux paquets et connecteurs.

Dates proposées

Toutes les dates sont indicatives – votre date souhaitée est toujours possible.

  • lun. 23 novembre 2026 – mar. 24 novembre 2026 En ligne Demander
  • lun. 30 novembre 2026 – mar. 1 décembre 2026 Augsbourg Demander
  • mer. 16 décembre 2026 – jeu. 17 décembre 2026 En ligne Demander
  • mer. 13 janvier 2027 – jeu. 14 janvier 2027 En ligne Demander
  • mer. 27 janvier 2027 – jeu. 28 janvier 2027 Kaiserslautern Demander
  • lun. 1 février 2027 – mar. 2 février 2027 En ligne Demander

Questions fréquentes

Faut-il connaître VS Code pour utiliser Cursor ?

C’est un atout, sans être indispensable. Cursor repose sur VS Code : l’interface, les raccourcis et les extensions paraissent familiers, et vos paramètres peuvent être importés. Si vous travaillez aujourd’hui avec un IDE JetBrains ou un autre éditeur, une courte prise en main pendant la formation suffit pour vous concentrer ensuite sur les fonctions d’IA.

Comment éviter que du code confidentiel ne sorte de l’entreprise ?

Cursor propose un mode confidentialité et des paramètres d’organisation qui limitent la conservation du code par le fournisseur. Les fichiers d’exclusion permettent en outre de retirer les zones sensibles de l’indexation et du contexte. Nous voyons ensemble comment aligner ces réglages sur vos politiques internes, vos exigences de protection des données et la gestion des secrets.

Qu’apportent les rules par rapport à de bons prompts ?

Un prompt ne vaut que pour une requête, tandis que les rules s’appliquent durablement à toute l’équipe. Elles décrivent choix d’architecture, bibliothèques privilégiées, stratégie de tests et conventions de style. Personne n’a plus besoin de répéter ces informations, et l’agent produit un code adapté à votre base. Les rules sont versionnées avec le projet et évoluent avec lui.

L’IA doit-elle accéder à nos données de production ?

Non, et ce n’est généralement pas pertinent. Pour la grande majorité des tâches, schémas, métadonnées, plans d’exécution et jeux de données synthétiques suffisent. Vous apprendrez à fournir précisément ce contexte à l’agent, à limiter les accès en lecture aux environnements de développement et à obtenir malgré tout des résultats fiables.

Cela fonctionne-t-il avec notre entrepôt de données ?

Les méthodes sont indépendantes de la plateforme et s’appliquent aussi bien à Snowflake, BigQuery, Databricks, Redshift, Synapse qu’à PostgreSQL. L’essentiel est d’indiquer à l’assistant le dialecte SQL et les spécificités de la plateforme, comme le partitionnement ou le clustering. Nous montrons comment les consigner dans des fichiers d’instructions.

Combien coûte la formation « Cursor pour les data engineers » ?

La formation coûte 949 € HT forfaitaires par participant – en ligne comme en présentiel. Sont inclus 2 jour(s) de formation avec un formateur en direct, les supports de cours, un environnement d’exercice et une attestation de participation.

Puis-je proposer ma propre date ?

Oui. Nos dates sont indicatives. Dans le formulaire, vous pouvez à tout moment indiquer librement la date ou la période souhaitée – nous vérifions les disponibilités et confirmons sous un jour ouvré.

La formation a-t-elle lieu en ligne ou en présentiel ?

Les deux sont possibles : en direct dans une classe virtuelle ou en présentiel à Munich, Salzbourg, Berlin, Augsbourg, Hanovre, Brême, Stuttgart ou Kaiserslautern. Nous pouvons aussi l’organiser en intra pour votre équipe.

Autres formations pour les data engineers

Autres formations Cursor

Les 32 formations Cursor

Cursor · MunichCursor · SalzbourgCursor · BerlinCursor · AugsbourgCursor · HanovreCursor · BrêmeCursor · StuttgartCursor · KaiserslauternCursor · En ligne