代理就绪数据平台：语义层、文本到 SQL 和 MCP

资源截图

MP4 |视频：h264，1920×1080 |音频：AAC，44.1 KHz，2 Ch
语言：英语 |时长：7小时41米

你将学到什么

• 准确诊断天真的 LLM 文本到 SQL 产生幻觉的原因，并使用真实的评估工具来衡量失败。
• 设计并创作一个语义层（指标、维度、实体和连接图），为 LLM 奠定基础并消除幻觉连接。
• 通过仓库的基础和上下文工程，将文本到 SQL 的准确性从大约 40% 提高到大约 90%。
• 选择带有决策矩阵的语义层引擎（dbt 语义层、Cube、雪花语义视图、Databricks 指标视图、LookML）并对其进行维护。
• 在语义层实施治理，以便代理继承 RBAC、行/列安全性和 PII 屏蔽，而不是绕过它们。
• 构建并保护受管控的 MCP 服务器，以安全地向代理公开 Snowflake、dbt 和 Databricks。
• 通过跟踪、成本控制、语义漂移防御和部署运行手册在生产中运行代理分析。
• 正确应用代理模式 – 并识别何时根本不使用代理。

要求

• 能够轻松编写中级到高级 SQL 和读取数据仓库架构（联接、聚合、DDL）。
• 熟悉云仓库（Snowflake 或 Databricks）和 dbt 式转换工作流程。
• 对法学硕士和人工智能代理有基本了解 – 无需机器学习或模型训练背景。
• 这是一门高级架构师级别课程；新手应该首先从核心数据仓库课程开始。

描述

你们的首席执行官刚刚转发了一个对话分析演示，并表示：“到第三季度，任何人都应该用英语询问我们的数据并相信答案。”该任务落在数据平台上，而不是应用程序团队。本课程是一个改造，是在一个真实的、混乱的、迁移中的仓库上端到端构建的。

您将跟随 Maya，一家价值 20 亿美元的零售商的数据平台主管，了解她如何使继承的 Teradata-to-Snowflake 资产安全地供 AI 代理以简单的英语进行查询。您首先使用真实的评估工具来衡量天真的 LLM 文本到 SQL 失败的原因 – 幻觉连接、“收入”的三个定义、自信的错误数字。然后你修复它。

您设计并创作一个语义层（指标、维度、实体、连接图），将文本到 SQL 的准确性从大约 40% 提高到大约 90%。您选择带有决策矩阵的语义层引擎 – dbt 语义层、立方体、雪花语义视图、Databricks 指标视图、LookML – 并学习捍卫选择。

从这里开始，您可以使其达到生产级：在语义层实施治理，以便代理继承 RBAC、行/列安全性和 PII 屏蔽，而不是绕过它们。您构建并保护受管理的MCP 服务器，该服务器可以安全地将 Snowflake、dbt 和 Databricks 公开给代理。您可以针对 4 万美元的失控查询添加防护，然后通过跟踪、成本控制和语义漂移防御来操作代理分析。

最终，您将提供一个可代理查询的平台，并根据 8 维架构师的规则捍卫每一个决策。这是为拥有仓库的工程师提供的高级架构师级材料，而不是快速的工程之旅。您可以对英语查询命令说“是的，安全”。

本课程适合谁

• 数据工程师向那些必须改造现有仓库而不是新建仓库的人员下达了“让他们用英语提问”的任务。
• 需要可靠的语义层、治理和 MCP 决策支柱的数据和分析架构师。
• 平台和分析工程主管负责评估 dbt 语义层、多维数据集、雪花语义视图、Databricks 指标视图或 LookML。
• 高级工程师的任务是使代理分析在生产过程中变得安全、受监管、可观察且成本可控。