最后编辑于2026年10月26日
Anaconda 的资深数据科学家 Pedro Heyerdahl 在 Kilo Code 还未并入 Anaconda 时，曾是那里唯一的数据团队成员。他高度依赖 AI 智能体来跟上节奏，并在 dbt Summit 2026 上向我们介绍了他的项目。他在本次会议中的核心观点是：智能体在独立解决复杂、与代码相关的难题方面已大为提升，但这种进步并未转化为更优的业务决策，因为真正的瓶颈从来就不是技术能力。
Heyerdahl 的核心理念是：将 dbt MCP、dbt 技能、Wizard CLI 以及 dbt 语义层与一个文档完善的 dbt 项目相结合，就能让智能体具备理解模型、追踪数据血缘并基于指标定义进行推理的能力。然而，一个 dbt 项目及其所承载的数据，本质上仍是企业业务的一种结构化、有选择性的呈现——它反映了企业决定追踪哪些指标、如何约定度量方式，以及在这一过程中经历的各类决策、失败尝试和尚未解决的问题。若缺乏这些背景信息，即便智能体能够得出正确的数值结果，也仍可能对实际情况产生误判。
他将真正的差距归结为组织知识，这种知识存在于 Slack 聊天记录、会议讨论以及拉取请求的说明中，而这些内容本就不是为了成为持久的记录。
他描述了在采用另一种方法之前，曾尝试过几种常见的变通方案。将所有可用文件都 dumped 到一个大型内存文件中，在最初几周内效果很好，直到业务部门转向其他方向，而客服人员仍然依赖过时的信息。通过对公司原始资料进行检索增强搜索，并通过 MCP 让客服人员直接访问 Slack 和 Jira 等系统，但即便如此，当两个信息来源相互矛盾时，客服人员仍需自行决定该去哪里查找、该信任哪个来源。
于是他搭建了一条数据管道，并且又先后两次对其进行了重构。第一版将原始素材归纳为维基百科式的 Markdown 文章，虽然阅读体验良好，但每当模型决定保留哪些内容时，细节便会悄然流失。第二版则不再进行摘要，而是直接提取知识的原子化单元：事实、决策、实体和规范性建议，每种单元都分别保存了不同的信息，例如由谁在何时作出某项决策以及背后的理由。
第三个版本新增了时间有效性与替代机制，用于追踪某一事实何时为真以及被什么所取代；他将其比作面向业务场景的 dbt 快照，因此即使某项决策已被取代，仍可出于历史分析目的予以检索，而不会污染当前的搜索结果。
当前的系统通过一个AI网关来调度工作：将成本较低的模型用于常规提取任务，而将前沿模型分配给需要判断的步骤，例如撰写文章。一个“反思”步骤会将新信息与现有事实进行比对，并通过“治理”步骤标记出存在冲突或可能已过时的内容，这些内容会在审核界面和MCP服务器上呈现出来。此外，智能体还可以将新的发现写回流程，等待人工审批，从而实现闭环。
如果您希望将数据源转化为上下文智能体理解您的业务并提供可信答案所需的形式，请查看 Fivetran Context Layer。
随时观看 dbt Summit 2026 的每一场主题演讲和分论坛。立即观看 dbt Summit 2026 →
在 dbt 中开始使用
加入那些正在构建真正可扩展的数据基础设施的分析工程师团队。
安装 dbt Wizard CLI
立即开始使用专为分析工程打造的智能代理。它懂得调用哪个工具、提取哪些上下文，并在向您呈现结果前自行核查工作。
最新帖子
从提示到PR：Careem的AI如何在人类看到之前编写并验证dbt模型
2026年10月26日
DocuSign 如何通过将 Claude Code 与 dbt v2、dbt MCP 和 agent 技能相结合，将分析工程时间缩短了一半
2026年10月26日
维珍媒体O2如何通过为dbt提供内存，将计算成本降低了30%
2026年10月26日
加入塑造数据的最大社区
dbt 社区是您通往最佳实践、创新以及与全球数千名数据领袖和 AI 从业者直接协作的门户。提出问题、分享洞见，与专家一道打造更优方案。