Агенты ИИ пишут всё больше SQL-кода с каждым днём. Люди всё чаще обсуждают свои данные с ИИ. Это меняет всё для каждого из нас.
На dbt Summit мы призвали тысячи специалистов по работе с данными, которые присоединились к нам в Лас-Вегасе и онлайн, выйти на новый уровень: от аналитических инженеров к инженерам контекста, от современного стека данных к открытой инфраструктуре данных.
Спустя два месяца вот что мы выпустили, чтобы помочь вам в этом:
- Локальные модульные тесты (Alpha) и пакетное тестирование в dbt v2 для более быстрого и эффективного тестирования
- Новый бесплатный план для dbt State, чтобы ваши запуски продолжали пропускать неизмененные модели без дополнительных затрат
- dbt Wizard Desktop теперь в публичной бета-версии для macOS, Windows и Linux
- Новые интеграции dbt MCP в один клик на маркетплейсах Cursor и Databricks
- dbt Charts в Claude и ChatGPT: общайтесь со своими дашбордами и хранилищем прямо там, где вы уже работаете
- Больше безопасности и управления в платформе dbt, от самостоятельного PrivateLink до истории запросов к моделям на большем количестве платформ данных
Хотите увидеть всё это в действии? Посмотрите вебинар с демонстрациями от наших экспертов по продукту: старший менеджер по продукту Айка Зикибаева о dbt v2 и dbt State, старший директор по продукту Шон Линч о dbt Wizard и генеральный менеджер по Charts Дэйв Фаулер о dbt Charts.
Улучшение движка: более быстрое тестирование в v2 и другие возможности dbt State
Главная новость dbt Summit: dbt v2, наш движок нового поколения, стал общедоступным (GA). По сравнению с dbt v1 он:
- Быстрее, так как написан на Rust и масштабируется до тысяч моделей.
- Умнее, благодаря встроенному пониманию SQL и сквозной прослеживаемости на уровне столбцов.
- Готов к работе с агентами, генерируя структурированные метаданные проекта во время компиляции, которым могут доверять ваши агенты и инструменты управления.
Независимо от того, используете ли вы self-hosted dbt, предпочитаете open source или являетесь клиентом платформы dbt, пришло время обновиться. dbt v2 доступен для Amazon Redshift, Databricks, Google BigQuery, Snowflake и DuckDB, а для ClickHouse и Apache Spark находится в стадии бета-тестирования.
Более 14 000 активных проектов уже работают на dbt v2 каждую неделю, и клиенты отмечают ускорение сквозных запусков на 30-40%. Как говорит старший инженер по данным Мэтт Каран из Obie: «Всё в v2 ускорило наши рабочие процессы».
И v2 продолжает становиться быстрее. Одно из первых мест, где вы это почувствуете — тестирование.
Запуск модульных тестов локально (Alpha)
Модульные тесты — это способ обнаружить логические ошибки до того, как они попадут в продакшн. Но каждый запуск требует обращения к хранилищу, что добавляет задержку и вычислительные затраты на каждой итерации. На Summit мы представили локальное модульное тестирование: dbt v2 транслирует ваш SQL в DuckDB и запускает модульные тесты там, где работает dbt, без обращения к хранилищу.
Это означает более быструю обратную связь, снижение стоимости тестирования и больше возможностей для раннего и частого тестирования — для вас и ваших агентов. Локальные модульные тесты уже доступны в альфа-версии.
Как начать: установите DBT_ENGINE_EXPERIMENTAL_LOCAL_UNIT_TESTS=true, затем добавьте compute: local к отдельному тесту или +compute: local для всего проекта.
→ Читать документацию
Пакетное тестирование (GA)
Вы когда-нибудь пропускали запуск нескольких тестов из-за ограничений по бюджету? Поскольку каждый тест выполняется как отдельный запрос, один большой проект может привести к сотням мелких запросов к хранилищу при каждом запуске. Есть более эффективный способ — пакетное тестирование: dbt v2 объединяет тесты unique и not_null для каждой модели в один запрос на тип теста без внесения изменений в сами тесты. В ходе нашего внутреннего тестирования это сократило время выполнения на 40%, а количество запросов к хранилищу — на 65%.
Как начать: добавьте --batch-tests к команде dbt build или dbt test, или установите batch_tests: true в разделе flags в файле dbt_project.yml.
→ Читать документацию
dbt State
Ваша самая дешевая модель — та, которую вы используете повторно, когда ничего не изменилось. Самая большая экономия времени и средств достигается за счет пропуска избыточной работы, а не просто оптимизации запросов. На dbt Summit мы объявили, что dbt State стал общедоступным (GA), что помогает упростить оркестрацию, быстрее и безопаснее итерироваться в разработке и собирать только то, что изменилось.
Вот что мы создали с тех пор:
Рекомендации по допуску задержки (GA)
Чем точнее вы устанавливаете SLA по свежести данных, тем больше dbt State может пропустить. Рекомендации по допуску задержки помогают настроить SLA на уровне подпроектов и моделей, а также показывают влияние установки lag_tolerance до того, как вы примените изменения.
→ Читать документацию
Новый бесплатный план для dbt State
Теперь ваша 30-дневная бесплатная пробная версия переходит в бесплатный план, чтобы ваши запуски продолжали пропускать неизмененные модели без затрат. Каждый месяц вы получаете:
- 1 000 DATT (ежедневно активных целевых таблиц), если вы используете self-hosted dbt
- 1 000 DATT на планах Developer и Starter платформы dbt
- 2 000 DATT на планах Enterprise и Enterprise+ платформы dbt
Если вы исчерпаете лимит, ваши модели будут собираться так же, как и без dbt State, до начала следующего месяца. dbt State работает везде, где вы запускаете dbt: нативно в платформе dbt и dbt v2, а также как плагин для dbt Core 1.7-1.12.
- Улучшенная функция объяснения: узнайте «почему» за каждым решением dbt State пропустить или пересобрать модель. → Документация
- Детализация на уровне заданий: переходите от сводки Cost Insights прямо к заданиям, где сосредоточены затраты. Уровень моделей будет следующим.
- Поддержка dbt v1 и v2: Cost Insights теперь охватывает оба движка, поэтому больше проектов могут воспользоваться этой функцией.
- Видимость затрат для пользователей с правами только на чтение: покажите экономию владельцам бюджета и заинтересованным сторонам с новыми правами на просмотр затрат.
- Пользовательские таблицы сопоставления (Beta, Snowflake): сопоставляйте затраты хранилища с вашей собственной структурой для более точного распределения
Выход на новый уровень с ИИ: dbt Wizard
По мере того как всё больше агентов работают с вашими данными, модели, лежащие в их основе, становятся важнее, а работы по их созданию и поддержке — больше. dbt Wizard помогает делать это быстрее. Это агент, который понимает ваш DAG, ваше хранилище и то, как работает ваша команда.
dbt Wizard Desktop (публичная бета-версия)
Запуск нескольких агентов обычно означает отдельное окно терминала для каждого и опасение, что двое из них пишут в одну и ту же схему разработки. Wizard Desktop предоставляет для этой работы собственное локальное рабочее пространство. Запускайте несколько задач параллельно, каждая из которых изолирована в git и вашем хранилище, и проверяйте каждое изменение с помощью визуальных сравнений DAG перед слиянием. Wizard Desktop теперь в публичной бета-версии для macOS, Windows и Linux:
- Работайте параллельно: запускайте несколько задач одновременно в одном месте.
- Собственное пространство: изменения каждой задачи автоматически изолируются в git и в вашем хранилище.
- Вы всё контролируете: проверяйте каждое изменение с помощью визуальных сравнений DAG перед слиянием.
→ Скачайте Wizard Desktop сегодня
Скоро в dbt Wizard
- Отчеты об артефактах в платформе dbt: делитесь тем, что создает Wizard, с остальными членами вашей команды.
- Сторонние коннекторы MCP: привносите контекст из большего количества ваших инструментов в Wizard.
- Управление и контроль затрат: установите границы того, как ваша команда использует ИИ в dbt.
Выход на новый уровень для ИИ: dbt MCP и dbt Charts
Самостоятельная аналитика наконец-то оправдывает свои ожидания. Агенты ИИ и люди общаются со своими данными и создают графики быстрее, чем вы успеете сказать «дашборд».
Однако развитие ИИ делает управление данными более важным, а не менее. Без общих определений ИИ быстрее и в больших масштабах выдает неверные ответы и «мусорные» графики. Ваши метрики должны означать одно и то же везде: в каждом BI-инструменте, каждом агенте и каждом хранилище.
Хорошая новость заключается в том, что этот контекст уже существует в dbt в виде ваших семантических определений, данных о происхождении (lineage) и тестов. А благодаря тому, что dbt MCP теперь доступен в маркетплейсах Claude, ChatGPT, Databricks и Cursor, до него всего один клик из тех ИИ-инструментов, которые ваша команда уже использует. Официальные интеграции для Snowflake, Google Gemini и AWS Kiro уже в разработке.
НОВИНКА: dbt Charts в Claude и ChatGPT (бета-версия)
Теперь вы можете общаться со своими дашбордами dbt Charts и хранилищем данных прямо внутри Claude или ChatGPT, используя свои собственные права доступа. Это работает в обычных веб-, десктопных и мобильных приложениях, ничего устанавливать не нужно. Способ работы dbt Charts в Claude и ChatGPT сам по себе является MCP-подключением: вы просто добавляете один URL, dbtcharts.com/mcp, в качестве коннектора.
И поскольку каждый дашборд хранится в вашем git-репозитории, вы полностью контролируете все, что создаете. Теперь вы можете использовать аналитику самообслуживания в Claude или ChatGPT под контролем команды обработки данных. В ходе нашего сравнительного тестирования dbt Charts создавали дашборды более высокого качества, используя примерно на 20–50% меньше токенов, чем при создании с нуля.
- Новая панель дизайна (бета-версия): начните с чата, доработайте вручную. Дважды щелкните по тексту, чтобы переписать его, выберите график, чтобы настроить его стиль, и каждое изменение будет обновлять YAML-код.
- Пользовательские графики (бета-версия): новинка в dbt Charts 0.10.0. Пользовательские графики предназначены для тех случаев, когда нужного варианта нет в меню: вы можете создать любую необходимую форму, сохраняя при этом согласованность и возможность проверки ваших дашбордов.
- Импортеры для миграции: переход с другого BI-инструмента обычно означает пересборку каждого дашборда вручную. Новинка в dbt Charts 0.11.1: теперь вы можете перенести свои существующие дашборды из Looker, Sigma, Hex и Omni.
Развитие платформы: безопасность, управление и самообслуживание
История запросов к моделям: общедоступна (GA) для Amazon Redshift и Databricks
Отслеживайте использование ваших моделей с течением времени, чтобы находить самые популярные из них и оптимизировать свои продукты данных. История запросов к моделям в dbt Catalog теперь поддерживает Amazon Redshift и Databricks, наряду со Snowflake и BigQuery.
→ Читать документацию
Self-serve PrivateLink (публичная бета-версия)
С помощью PrivateLink трафик между dbt и вашей платформой данных остается внутри вашей сети и никогда не проходит через общедоступный интернет. Теперь вы можете настроить его самостоятельно, без создания тикетов в поддержку, для Amazon Redshift, Databricks и Snowflake (AWS). Private Link на уровне рабочего пространства для Microsoft Fabric также теперь находится в стадии публичного бета-тестирования.
→ Читать документацию
Другие обновления платформы
- Внешний OAuth для семантического слоя (Semantic Layer) на Amazon Redshift: подключения для разработки семантического слоя к Redshift теперь поддерживают внешний OAuth с Okta или Microsoft Entra через AWS IAM Identity Center.
- Пользовательское приложение GitHub (закрытая бета-версия): используете GitHub Enterprise Server или GitHub с хранением данных в ЕС? Теперь вы можете зарегистрировать собственное приложение GitHub и подключить его к платформе dbt. Доступно только для планов Enterprise и Enterprise+. → Документация
Новые курсы dbt Learn
Повышайте свои навыки с помощью новых бесплатных курсов:
Что дальше
Увидьте все в действии
Закажите демонстрацию локальных модульных тестов, dbt State, Wizard Desktop и dbt Charts.
Пусть ваш голос будет услышан
Опрос «Состояние аналитической инженерии» (The State of Analytics Engineering) открыт. Ваши ответы сформируют следующий отчет, который поможет командам по работе с данными понять отраслевые тенденции, обосновать необходимость ресурсов и спланировать работу на предстоящий год. Пройдите опрос сегодня.
Есть вопросы или отзывы? Найдите нас в канале #product-updates в Slack-сообществе dbt.











