最后编辑于2026年10月26日
在 2026 年的 dbt 峰会上的一场分组讨论中，Okta 的分析工程高级经理 Pooja Crahen 围绕着她在职业生涯中观察到的一种模式展开演讲：先是构建仪表板，接着是制作学习内容，而如今的 AI 智能体本质上不过是换上了不同界面的同一份工作，其核心问题始终未变——即终端的用户，或者说如今的智能体，是否真的能够信任他们所看到的内容。在 Comcast，她曾负责构建仪表板，而问题始终在于这些数据是否准确无误；在 Pluralsight，她则致力于开发学习内容，而新的疑问变成了：究竟有没有人真正学到了东西，而不是仅仅观看了一段视频。
在 Okta，界面完全消失了：既没有图表，也没有课程，只有一台机器在生成答案，但下方依然保留着那个同样的信任问题——代理究竟是否真的知道自己在说什么，还是只是听起来很有把握。
Crahen的团队由约十三名分析工程师组成，他们分别派驻在交付、市场拓展、产品和财务等部门，隶属于一个更庞大的技术、数据与智能组织；该组织使用Tableau进行报表分析，并以Snowflake作为核心数据仓库。
“几年之后，我们才意识到，构建智能体本身其实并不难，”克雷恩说道，“真正困难的是它能够感知并信任的内容。”
Okta 早期的 AI 实验是在 Snowflake 的 UI 内部直接构建的语义视图上运行的，这些视图与 Snowflake Cortex 代理直接相连。效果不错，而且速度很快，但那些语义视图与真正定义业务逻辑的受治理的 dbt 模型完全脱节。
Crahen 的团队发现了该基础架构中的三个缺陷：Snowflake 与 dbt 之间存在上下文碎片化、由于所有操作都记录在 UI 点击历史中而缺乏可审计性，以及代理的所有指令被简化为一个无差别的整体，无法区分哪些信息是代理始终应当知晓的，哪些则需要额外查询。
那三个缺陷——裂痕、碎片化、缺乏可审计性，以及一个毫无区分的“大泥团”——在下游表现为三类具体的失败：由于语义视图没有目录将其暴露在 Snowflake 之外，无人能够发现系统中究竟存在什么；由于缺乏一套共享的记录系统来确认数据是否为最新状态，人们无法信任自己所发现的内容；而每个团队最终都不得不从头重新推导各自的定义，而非基于任何共享成果。
该修复方案是一个三层的代理上下文框架，完全构建于 dbt 内部，并通过常规的拉取请求进行部署。模型和列级别的元数据在 YAML 中新增了一个“agent”子块，用于标明某模型适用于哪些场景、应避免用于哪些场景，以及需要自动应用的各类过滤条件。上下文文档以 Markdown 格式记录了全公司范围内的事实信息（例如，Okta 的财年自 2 月 1 日起始）以及领域特定的路由规则。
而语义视图则从 Snowflake 的用户界面迁移至 dbt 自有的语义层规范，成为经过治理、经 PR 审核的事实、维度和度量的权威来源。将语义视图引入 dbt 需要借助一项与 Slash 命令相集成的自定义技能，该技能能够从现有的 Snowflake 语义视图中提取 DDL，并自动将其转换为 dbt 的语义视图规范。此外，Okta 还在 dbt Core 的 GitHub 上发起了公开讨论，探讨类似 Cortex 代理是否应仅作为一种普通的 dbt 模型物化方式，抑或应当像 exposure 一样，被赋予独立的一等节点类型，并邀请社区就此发表意见。
这三者都会自动同步到 Agents Schema——一种开放的、原生支持数据仓库的元数据标准——因此，任何具备 SQL 访问权限的代理，无论是 Cortex 还是 Claude，都从同一个事实来源读取数据。在实际应用中，这意味着 Claude 和 Snowflake Cortex 这两款截然不同的产品，通过不同的入口读取完全相同的底层上下文：Claude 通过 MCP 直接查询元数据，并将上下文文档以 Markdown 文件的形式读取；而 Cortex 则通过搜索服务及其自身的技能配置来读取相同的信息。只需在 dbt 中编写一次规则，两个消费者即可继承；若明天再添加第三个代理，它也将自动继承同样的规则，且不存在任何重复。
在Crahen看来，其优势在于：修正错误答案不再意味着要编辑一份晦涩难懂的代理配置，并经过多个周期重新部署。一名分析工程师只需在dbt中合并对上下文层的变更，所有从中读取数据的代理便会立即变得更智能。“这样一来，第100个问题也能得到与第一个问题同样质量的答案，”她表示。
“这与代理无关，更关乎作为基础设施的上下文。”
接下来，团队将开展自动化回归测试，每次上下文发生变化时，都会针对各代理运行经过验证的查询，从而将上下文扩展到单个领域之外；最终，还将打通代理回答与真实答案之间的闭环，使修正结果能够自动回流至上下文文档，正如Crahen所言，实现从“信任但需验证”向可量化准确度评分的转变。
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
超越奖章架构：让不断增长的 dbt 项目保持一致性的书面规则
2026年10月26日
在 dbt Wizard 内部，用于展示其工作成果的 AI 智能体
2026年10月26日
dbt v2 登陆：解析速度更快、采用统一的适配器层，并提供无需庞大 manifest.json 文件的文档体验
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。