A dbt egységesíti motorját, és AI-eszközökkel bővíti platformját

Egy motorra áll át a dbt

A dbt Labs szeptember 16-án közzétett bejelentése szerint általánosan elérhetővé vált a dbt v2. A verzió egyetlen, Rust-alapú motort használ a dbt teljes rendszerében, helyi munkavégzésnél és a dbt platformon egyaránt. A megoldás a korábban bemutatott dbt Fusion motor fejlesztéseire épül, amelyet a vállalat az eredeti, Python-alapú rendszer teljes újraírásaként ír le.

A dbt v2 két terjesztési formában érhető el. A dbt a keretrendszer minden részét tartalmazza, SQL-értelmezési funkciókkal kiegészítve, és ingyenesen használható, egyes opcionális fizetős funkciókkal. A dbt-oss az Apache 2 licenc alá tartozó komponenseket tartalmazza. A korábbi dbt Core is megmarad, továbbra is Apache 2.0 licencű és nyílt forráskódú, csak a korábbi verzió neveként használják.

A BigQuery, Databricks, DuckDB, Redshift és Snowflake adapterei már általánosan elérhetők. A ClickHouse és a Spark támogatása béta állapotban van, az Athena, a Fabric és a Postgres pedig később érkezik.

Kevesebb felesleges futtatás és rugalmasabb számítás

A dbt State szintén általánosan elérhetővé vált. A funkció a raktár metaadatai és a modellek SQL-kódja alapján állapítja meg, mi változott, majd ennek megfelelően épít, kihagy, klónoz vagy elhalaszt futtatásokat. A dbt Labs szerint ez átlagosan 15, illetve annál több százalékkal csökkenti a raktári számítási igényt.

A frissességi követelményeket a rendszerben már modellenként lehet rögzíteni. A vállalat szerint ez egyszerűsíti a vezénylést, és a költségkorlátokat az infrastruktúrába helyezi. A dbt State a dbt 1.7-től a dbt v2-ig használható, helyben, a dbt platformon és saját vezénylővel is, Snowflake, BigQuery, Databricks és Redshift környezetben.

A dbt Labs emellett bemutatta a Lake Compute béta változatát. Ez egy DuckDB-re épülő, egycsomópontos SQL-motor, amely a dbt-átalakításokat közvetlenül Apache Iceberg-táblákon futtatja. A felhasználók modellenként választhatják ki, hogy a számítás a Lake Compute-on vagy a meglévő adattárházon fusson, miközben a hivatkozások mindkét motor között működnek.

AI-integrációk strukturált kontextussal

A dbt Labs szerint az AI-eszközöknek nem feltétlenül több adatra van szükségük, hanem arra, hogy értsék az adatok jelentését, eredetét, frissességét és tulajdonosát. Ehhez a vállalat a dbt Semantic Layer, az Agents Schema és a dbt MCP Server elemeire épít. Ezek a metrikákhoz, modellekhez, adatvonalhoz és teszteredményekhez biztosítanak hozzáférést az AI-ügynökök számára.

A dbt új, beépített integrációkat jelentett be az Anthropic eszközeivel, valamint egy ChatGPT-bővítményt, amely általánosan elérhető. A dbt Labs közlése szerint így egyetlen kattintással hozzáférhető a dbt-projektek strukturált kontextusa, több MCP-szerver külön kezelése nélkül.

A vállalat a Fivetran Context Layer korai hozzáférési programját is népszerűsíti. A megoldás strukturált források, például dbt-adatok, valamint strukturálatlan tartalmak, például hívásfelvételek, ügyfélszolgálati jegyek és Slack-beszélgetések alapján épít kontextust az olyan AI-eszközökhöz, mint a Claude vagy a Slack.

A dbt Wizard az adatcsapatok munkájára készül

A dbt Wizard olyan ügynök, amelyet kifejezetten analitikai mérnöki feladatokra fejlesztettek. A dbt Labs szerint közvetlenül a projektbe épül, ezért ismeri a használható eszközöket és a lekérhető kontextust. A rendszer előre ellenőrzi a módosítások felmenő és lemenő hatását, majd lefordítja és felépíti a változtatást még azelőtt, hogy a felhasználó áttekintené a különbségeket.

A dbt platformban futó Wizard nyilvános előzetesben érhető el. Az Explore Mode szintén nyilvános előzetes, és társalgásos adatelemzést kínál azon a felületen, ahol az adatmunka zajlik. A bejelentések alapján a dbt felhasználói egyetlen platformon kezelhetik a gyorsabb motort, a költségtudatos futtatásokat és az AI-ügynökök számára szükséges adatkontextust.