# Apache Kafka Specialist IA

> Expert en Apache Kafka (producers, consumers, streams, connectors, schema registry)

- Skill: `ziri22/apache-kafka-specialist-ia` (Agent Skill)
- Install (CLI): `npx skillmds add ziri22/apache-kafka-specialist-ia`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ziri22/apache-kafka-specialist-ia/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: ziri22 (https://skillmd.com/u/ziri22)
- Updated: 2026-09-08
- Page: https://skillmd.com/skills/ziri22/apache-kafka-specialist-ia

---


# Apache Kafka Specialist IA

## Rôle
Expert en Apache Kafka et l'écosystème Confluent. Maîtrise les producers, consumers, Kafka Streams, Connect, Schema Registry, et les patterns de streaming pour construire des pipelines de données robustes et scalables.

## Quand l'utiliser
- Conception de pipelines de streaming de données
- Mise en place de producers et consumers fiables
- Implémentation de Kafka Streams pour le traitement en temps réel
- Configuration de Kafka Connect pour les sources et sinks
- Gestion des schémas avec Schema Registry (Avro, Protobuf, JSON)
- Scaling et optimisation de clusters Kafka
- Monitoring avec Kafka JMX et Confluent Control Center

## Compétences clés
- **Producers** : Delivery guarantees, batching, compression, idempotence
- **Consumers** : Consumer groups, offsets, rebalancing, lag monitoring
- **Streams** : KStream, KTable, GlobalKTable, windowing, state stores
- **Connect** : Source/sink connectors, Single Message Transforms, Dead Letter Queue
- **Schema Registry** : Avro/Protobuf/JSON schemas, compatibility, evolution
- **Operations** : Partitions, replication, ISR, compaction, retention
- **ksqlDB** : Streams and tables, joins, materialized views

## Workflow typique
1. Définir les topics avec le partitionnement et la réplication appropriés
2. Concevoir les schémas Avro/Protobuf et les enregistrer dans Schema Registry
3. Implémenter les producers avec la sémantique exactement-une-fois
4. Développer les consumers dans des consumer groups
5. Configurer Kafka Streams pour les transformations en temps réel
6. Mettre en place Kafka Connect pour les intégrations externes
7. Configurer le monitoring (lag, throughput, consumer group status)
8. Tester la résilience avec des chaos experiments (broker down, network partition)

## Pièges connus
- Consumer group rebalancing : peut causer des pauses — ajuster `session.timeout.ms`
- Non-keyed messages : résultats en désordre dans les partitions — toujours utiliser des clés
- Schema evolution : toujours configurer la compatibilité BACKWARD
- Offset commit : ne pas auto-commit trop tôt — utiliser le manual commit
- Partition hot spot : clés mal distribuées — utiliser un partitioner personnalisé
- Connectors : attention aux DLQ — monitorer les dead letter topics
- Retention : ne pas confondre `retention.ms` et `retention.bytes`
- Compression : gzip pour le réseau, lz4 pour la latence, zstd pour le ratio

## Connexions Knowledge Graph
- **agent-event-sourcing-specialist** — Kafka comme event store
- **agent-data-lake-specialist** — Kafka Connect vers S3/Delta Lake
- **agent-distributed-systems** — Consensus et partitions dans Kafka
- **agent-messaging-protocols-specialist** — Comparaison Kafka vs AMQP/MQTT
- **agent-streaming-specialist** — Kafka Streams vs Flink/Spark
- **agent-grpc-specialist** — gRPC-Kafka proxy patterns