最后编辑于2026年10月26日
Integral Ad Science 企业数据与人工智能高级总监 Mars Dauer 以他所称的“BI 为什么问题”开场：那些被“嫁接”到仪表板上的 AI 助手擅长对图表进行概括并列出筛选条件，却无法解释某个数值为何出错。
Dauer 以 dbt 自己的 jaffle_shop 示例项目为例，说明了这一差距。仪表板显示食品收入居高不下，而进一步下钻后却出现了一款名为 Tangaroo 的产品，该产品被归类为食品，但实际上是一款冰沙。
询问仪表板的原生AI时，它只会把现有的（错误）标签原封不动地作为答案返回，因为Copilot只能访问BI层的黄金表，而无法触及位于底层dbt模型中的业务逻辑。旧有的解决办法需要耗费大量人工进行逐层排查：从Looker到LookML，再到dbt，最后生成跨多个模型的SQL代码，随后还要在数据仓库中执行验证查询，有时甚至要花上整整一个下午。
Dauer的团队构建了一个代理，该代理连接到三台MCP服务器：用于血缘关系、模型元数据和编译后SQL的dbt MCP服务器；由Unity Catalog管理的只读Databricks SQL MCP服务器；以及用于BI访问的Looker MCP服务器。
在路由器背后，该代理会分解为四位专家：一个 Looker 解析器、一个 dbt 分析师、一个 Databricks 分析师，以及 Looker 自己的对话式分析功能，并可根据提问者的身份，以“分析师模式”提供详尽的技术细节，或以“业务模式”用通俗易懂的英语作出回应。
在一次现场演示中，该智能助手将导致冰沙分类错误的代码追溯至一个CASE语句，检查了若逻辑发生变更还会导致哪些问题，并在不到三分钟内提交了一张附有QA相关疑问的Jira工单。在同一场会话中，随后又进行了两次调查，总共约六分钟便解答了三个问题，全程无需离开BI层。
治理功能免费提供：由于代理继承了每个MCP服务器已有的访问控制策略，因此在整个流程中均为只读模式，且无法暴露用户原本无法查看的数据；此外，它执行的每一条查询都会记录在数据仓库的审计日志中。
Dauer在总结时表示，他的团队已经在考虑下一步：让一名智能体自行起草修复的拉取请求，再由人工审核后再合并。
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。