Okta dbt-alapokra helyezte az AI-ügynökök kontextuskezelését

Az ügynöképítésnél fontosabb lett, mit láthat az AI

Pooja Crahen, az Okta analitikai mérnöki csapatának vezetője a dbt Summit 2026 egyik szekciójában arról beszélt, hogy a műszerfalak, a tananyagok és az AI-ügynökök fejlesztése ugyanahhoz az alapvető kérdéshez vezet vissza: megbízhat-e a felhasználó abban, amit lát vagy hall.

Crahen szerint az Okta csapatában körülbelül tizenhárom analitikai mérnök dolgozik a szállítási, piacra lépési, termék- és pénzügyi területekhez kapcsolódva. A technológiai, adat- és intelligenciaszervezet Tableau-t használ a riportokhoz, a központi adattárház pedig Snowflake.

„Néhány év után az lett világos, hogy maga az ügynök felépítése soha nem volt igazán nehéz. Az volt a nehéz, hogy mit láthat és miben bízhat”, mondta Crahen a dbt beszámolója szerint.

Három probléma jelent meg a korai kísérletekben

Az Okta első AI-kísérletei közvetlenül a Snowflake kezelőfelületén létrehozott szemantikus nézetekre épültek, amelyeket Snowflake Cortex-ügynökökhöz kapcsoltak. A megoldás gyorsan működött, de a nézetek elszakadtak a dbt-ben kezelt, üzleti logikát meghatározó modellektől.

A csapat három hiányosságot azonosított. A Snowflake és a dbt között széttöredezett a kontextus, nem volt megfelelő auditálhatóság, mert minden a kezelőfelület kattintási előzményeiben maradt, és az ügynök utasításai egyetlen, megkülönböztetés nélküli blokkba kerültek. Így nem vált el egymástól, amit az ügynöknek mindig tudnia kell, és amit minden alkalommal le kell kérdeznie.

Ennek következményeként nehéz volt felfedezni, milyen szemantikus nézetek léteznek, mivel ezekhez nem tartozott a Snowflake-en kívül elérhető katalógus. Az sem volt egyértelmű, hogy a megtalált információ aktuális-e, és a csapatok újra meg újra saját üzleti definíciókat hoztak létre ahelyett, hogy közös alapokra építettek volna.

Három rétegben kezelik az ügynökök kontextusát

Az Okta ezekre a problémákra háromrétegű keretrendszert alakított ki, teljes egészében dbt-ben, a szokásos pull request folyamaton keresztül. A modellek és oszlopok metaadataiban egy új, „agent” nevű alblokk jelzi, mire használható biztonságosan az adott modell, mire nem ajánlott, valamint milyen szűréseket kell automatikusan alkalmazni.

A második réteget a Markdownban írt kontextusdokumentumok adják. Ezek vállalati szintű tényeket, például azt rögzítenek, hogy az Okta pénzügyi éve február 1-jén kezdődik, emellett területspecifikus útválasztási szabályokat is tartalmaznak.

A harmadik réteg a szemantikus nézeteké. Ezeket a Snowflake kezelőfelületéről a dbt saját szemantikus rétegspecifikációjába költöztették, így a tények, dimenziók és mérőszámok forrása verziókövetett, felülvizsgálható formában jelenik meg. Az átállást egy egyedi, perjeles paranccsal elérhető képesség segítette, amely egy meglévő Snowflake-szemantikus nézet DDL-leírását automatikusan dbt-szemantikusnézet-specifikációvá alakítja.

Az Okta mindhárom réteget automatikusan szinkronizálja az Agents Schema nevű, nyílt, adattárház-natív metaadatszabványba. Így minden SQL-hozzáféréssel rendelkező ügynök, legyen az Cortex vagy Claude, ugyanabból a forrásból olvashat.

Ugyanazok a szabályok több ügynökhöz is eljutnak

A dbt blogbejegyzése szerint Claude közvetlenül, MCP-n keresztül kérdezi le a metaadatokat, és Markdown-fájlként olvassa a kontextusdokumentumokat. A Cortex ugyanazokat az információkat keresőszolgáltatáson és saját képességkonfigurációján keresztül használja. A két termék eltérő módon fér hozzá az adatokhoz, de az alapul szolgáló kontextus azonos.

Ennek megfelelően egy szabályt egyszer kell rögzíteni a dbt-ben, az újabb ügynökök pedig ugyanazt öröklik, külön másolás nélkül. Crahen szerint egy hibás válasz javításához így nem kell átláthatatlan ügynökkonfigurációkat módosítani, majd több telepítési ciklust végrehajtani. Ha egy analitikai mérnök módosítást egyesít a dbt kontextusrétegében, az azt olvasó ügynökök azonnal megkapják a változást.

„Az eredmény az, hogy a századik kérdés ugyanolyan minőségű választ kap, mint az első. Ez nem az ügynökről szól, hanem inkább a kontextusról mint infrastruktúráról”, fogalmazott Crahen a dbt szerint.

Az Okta következő lépései között automatizált regressziós tesztek szerepelnek. Ezek minden kontextusváltozás után ellenőrzött lekérdezéseket futtatnának az ügynökökön. A csapat a kontextust egyetlen területen túl is kiterjesztené, később pedig az ügynökök válaszait összekapcsolná a tényleges igazsággal, hogy a javítások automatikusan visszakerülhessenek a kontextusdokumentumokba. A cél a „bízz, de ellenőrizd” megközelítéstől a mérhető pontossági érték felé való elmozdulás.