Представляем dbt MCP Server — структурированные данные для AI-воркфлоу и агентов

dbt — это стандарт для создания управляемых и надежных датасетов поверх структурированных данных. MCP (Model Context Protocol) демонстрирует всё больший потенциал в качестве стандарта предоставления контекста для LLM, позволяя им эффективно работать в реальных, операционных сценариях.

Сегодня мы открываем исходный код экспериментальной версии dbt MCP server. Мы ожидаем, что в ближайшие годы структурированные данные станут глубоко интегрированы в AI‑воркфлоу, а dbt будет играть ключевую роль в создании и предоставлении этих данных.

В частности, мы ожидаем, что как Business Intelligence, так и Data Engineering будут всё больше управляться AI, работающим поверх контекста, определённого в ваших dbt‑проектах.

Мы стремимся построить data control plane, который позволит AI надежно получать доступ к структурированным данным по всей цепочке lineage. В ближайшие месяцы и годы команды данных будут всё больше сосредотачиваться на создании богатого контекста, который передается в dbt MCP server. После этого как AI‑агенты, так и бизнес‑пользователи смогут работать поверх LLM‑систем, «насыщенных» контекстом dbt MCP.

Текущая система ещё не является полной реализацией видения, описанного в публикациях выше, но это важный шаг на пути к безопасной интеграции корпоративных структурированных данных в AI‑воркфлоу. В этом посте мы рассмотрим, что dbt MCP server умеет сегодня, дадим несколько советов по началу работы и обсудим ограничения текущей реализации.

Мы считаем важным, чтобы индустрия начала вырабатывать лучшие практики безопасного и надежного доступа к бизнес‑данным через LLM.

Что такое MCP?

MCP расшифровывается как Model Context Protocol — это открытый протокол, выпущенный Anthropic в ноябре прошлого года, который позволяет AI‑системам динамически подгружать контекст и данные. Почему это важно?

Даже самые продвинутые модели ограничены своей изоляцией от данных — они заперты за информационными силосами и устаревшими системами. Каждый новый источник данных требует собственной кастомной интеграции, что делает масштабирование по‑настоящему связных систем крайне сложным.

MCP решает эту проблему. Он предоставляет универсальный, открытый стандарт для подключения AI‑систем к источникам данных, заменяя фрагментированные интеграции единым протоколом. — Anthropic

С тех пор MCP получил широкую поддержку: Google, Microsoft и OpenAI заявили о своей приверженности поддержке MCP.

Что делает dbt MCP Server?

Его можно рассматривать как недостающее связующее звено между:

• Вашим dbt‑проектом (модели, документация, lineage, Semantic Layer)
• Любым MCP‑совместимым клиентом (Claude Desktop Projects, Cursor, агентные фреймворки, кастомные приложения и т.д.)

Мы уже давно знаем, что сочетание структурированных данных из dbt‑проекта и LLM — чрезвычайно мощная комбинация (особенно при использовании dbt Semantic Layer). Вопрос заключался в том, как лучше всего предоставить этот доступ для широкого спектра LLM‑приложений так, чтобы контроль оставался у сообщества и экосистемы, а не требовал создания множества разрозненных интеграций.

dbt MCP server предоставляет доступ к набору tools, которые работают поверх вашего dbt‑проекта. Эти инструменты могут вызываться LLM‑системами для изучения данных и метаданных.

Как и в любых AI‑воркфлоу, обязательно соблюдайте осторожность при предоставлении доступа к продакшен‑системам и данным. Рассмотрите возможность начать с sandbox‑окружения или предоставить только права на чтение.

На сегодняшний день у dbt MCP server есть три основных функции.

Three use‑case pillars of the dbt MCP server

• Обнаружение данных: понимание того, какие data‑assets существуют в вашем dbt‑проекте.
• Запросы к данным: прямой доступ к данным dbt‑проекта. Состоит из двух частей:
  • Использование dbt Semantic Layer для надежной, единой точки истины при работе с метриками
  • Выполнение SQL‑запросов для более свободного исследования и разработки
• Запуск и выполнение команд dbt: доступ к dbt CLI для запуска проекта и выполнения других операций

How the dbt MCP server fits between data sources and MCP‑enabled clients

❓ Нужно ли быть клиентом dbt Cloud, чтобы использовать dbt MCP server?

• Нет — в MCP включена функциональность как для dbt, так и для пользователей dbt Core. Со временем Cloud‑специфичные сервисы будут добавляться в MCP server там, где они дают дополнительную ценность.

Далее рассмотрим примеры использования и объясним, почему каждый из них полезен как для сценариев с участием человека, так и для агентных сценариев.

Использование dbt MCP Server для обнаружения data‑assets

dbt обладает знаниями обо всех data‑assets во всём вашем data‑стеке — от сырых staging‑моделей до отполированных аналитических витрин. dbt MCP server делает эти знания доступными для LLM и AI‑агентов, обеспечивая мощные возможности discovery:

• Для бизнес‑пользователей: интерактивное изучение продакшен‑dbt‑проекта через естественный язык. Пользователи могут задавать вопросы вроде «Какие у нас есть данные о клиентах?» или «Где хранится информация о маркетинговых расходах?» и получать точные ответы на основе документации и структуры dbt‑проекта.
• Для AI‑агентных воркфлоу: автоматическое обнаружение и понимание доступных моделей данных, их связей и структуры без участия человека. Это позволяет агентам автономно ориентироваться в сложных data‑средах и формировать корректные инсайты.

Инструменты discovery позволяют LLM понимать, какие данные существуют, как они структурированы и как связаны между собой различные data‑assets. Этот контекст критически важен для генерации корректного SQL, ответов на бизнес‑вопросы и предоставления надежных аналитических выводов.

Инструменты для обнаружения data‑assets:

примечание — для всех этих инструментов вам не нужно вызывать их напрямую. MCP‑клиент сам определит, какой инструмент наиболее уместен в конкретный момент, на основе предоставленного контекста.

Tool Name	Назначение	Результат
get_all_models	Предоставляет полный инвентарь всех моделей в dbt‑проекте независимо от типа	Список всех моделей и их описаний
get_mart_models	Определяет модели презентационного слоя, предназначенные для конечных пользователей	Список mart‑моделей и их описаний (модели слоя отчетности)
get_model_details	Возвращает детальную информацию о конкретной модели	Скомпилированный SQL, описание, имена колонок, их описания и типы данных
get_model_parents	Определяет upstream‑зависимости для конкретной модели	Список родительских моделей, от которых зависит указанная модель

Loading table...

Использование dbt MCP server для запросов через dbt Semantic Layer

dbt Semantic Layer определяет метрики и измерения вашей организации единым, управляемым образом. С dbt MCP server LLM могут напрямую понимать и запрашивать эти метрики, гарантируя, что AI‑анализ соответствует корпоративным определениям.

• Для бизнес‑пользователей: запрос метрик на естественном языке. Пользователи могут запросить, например, «ежемесячную выручку по регионам» и получить корректный результат, соответствующий стандартным определениям метрик, с более высокой базовой точностью, чем у SQL, сгенерированного LLM.
• Для AI‑агентных воркфлоу: по мере того как агентные системы начинают действовать в реальном мире на более длинных горизонтах времени, им требуется понимание базовой реальности бизнеса. dbt Semantic Layer может служить надежным интерфейсом для LLM — от аналитических отчетов до операционных агентов.

Используя dbt Semantic Layer через MCP server, вы обеспечиваете, что LLM‑анализы основаны на строгих определениях, реализованных в коде и доступных в любом MCP‑совместимом клиенте.

Инструменты Semantic Layer:

Tool Name	Назначение	Результат
list_metrics	Предоставляет инвентарь всех доступных метрик в dbt Semantic Layer	Полный список метрик с типами, лейблами и описаниями
get_dimensions	Определяет доступные измерения для указанных метрик	Список измерений для группировки/фильтрации метрик
query_metrics	Выполняет запросы к метрикам в dbt Semantic Layer	Результаты запроса по заданным метрикам, измерениям и фильтрам

Loading table...

Использование dbt MCP server для выполнения SQL (text‑to‑SQL)

Хотя dbt Semantic Layer предоставляет управляемый, метрико‑ориентированный подход, многие аналитические задачи требуют более гибких, исследовательских SQL‑запросов. dbt MCP server вскоре будет включать возможности валидации и выполнения SQL с богатым контекстом.

• Для бизнес‑пользователей: ответы на сложные аналитические вопросы, выходящие за рамки предопределенных метрик. Пользователи могут свободно исследовать данные, при этом LLM учитывает конкретные модели данных, что повышает корректность и оптимальность SQL.
• Для AI‑агентных воркфлоу: автоматическая генерация и валидация SQL по моделям данных. Агенты смогут создавать и выполнять сложные запросы, адаптироваться к изменениям схем, оптимизировать производительность и следовать корпоративным SQL‑конвенциям.

В отличие от традиционной генерации SQL, запросы через dbt MCP server осведомлены о конкретных моделях данных, что делает их более точными и полезными именно для вашей среды. Это особенно ценно для исследования данных, разовых анализов и прототипов, которые позже могут быть включены в dbt‑проект.

В настоящее время выполнение SQL осуществляется через инструмент dbt Show. В ближайшей перспективе мы планируем выпустить более производительные инструменты, лучше подходящие для этого сценария.

Использование dbt MCP server для выполнения проекта

dbt MCP server не только предоставляет доступ к данным — он также позволяет LLM и AI‑агентам напрямую взаимодействовать с dbt, выполняя команды и управляя проектом.

• Для бизнес‑пользователей: запуск dbt‑команд через диалоговые интерфейсы без знания CLI. Пользователи могут попросить «запустить ежедневные модели» или «протестировать customer‑модели» и получить понятные объяснения результатов и рекомендации по исправлению ошибок.
• Для AI‑агентных воркфлоу: автономный запуск dbt‑процессов в ответ на события. Агенты могут управлять выполнением проекта, автоматически тестировать и валидировать изменения моделей и даже отлаживать типовые проблемы без участия человека.

В то время как инструменты discovery и запросов работают поверх environments как источника контекста, инструменты выполнения взаимодействуют напрямую с CLI — как dbt Core, так и Cloud CLI.

Инструменты выполнения проекта

Tool Name	Назначение	Результат
build	Выполняет команду dbt build для сборки всего проекта	Результаты сборки, включая статус и логи
compile	Выполняет команду dbt compile для компиляции SQL	Результаты компиляции, включая статус и логи
list	Список всех ресурсов в dbt‑проекте	Структурированный список ресурсов проекта
parse	Парсит файлы dbt‑проекта	Результаты парсинга со статусом и логами
run	Выполняет команду dbt run для запуска моделей	Результаты выполнения со статусом и логами
test	Выполняет тесты, определенные в dbt‑проекте	Результаты выполнения тестов со статусом и логами

Loading table...

Начало работы

dbt MCP server доступен как экспериментальный релиз. Чтобы начать:

1. Клонируйте репозиторий с GitHub: dbt-labs/dbt-mcp
2. Следуйте инструкциям по установке в README
3. Подключите ваш dbt‑проект и начните исследовать возможности

Нам интересно увидеть, как сообщество будет развивать и расширять dbt MCP server. Независимо от того, создаёте ли вы AI‑ориентированный BI‑инструмент, автономного data‑агента или просто исследуете возможности LLM в своих data‑воркфлоу, dbt MCP server предоставляет прочную основу для передачи dbt‑контекста в AI‑приложения.

Какой воркфлоу лучше всего подходит для текущей версии MCP server?

Этот ранний релиз в первую очередь предназначен для использования поверх существующего dbt‑проекта для ответов на вопросы о данных и метаданных — в соответствии с кейсами, описанными в этом посте о будущем BI и потребления данных.

Чат‑сценарий:

Мы рекомендуем использовать Claude Desktop и создать кастомный project с описанием предполагаемых сценариев использования.

Чтобы всё заработало:

• Следуйте инструкциям в README для установки MCP server
• Убедитесь, что вы добавили MCP‑конфигурацию в настройки Claude Desktop. В разделе Claude→Settings→Developer вы должны увидеть ‘dbt’

Claude Desktop – MCP server running in Developer settings

• Создайте новый проект с названием “analytics” и опишите, как конечный пользователь будет с ним взаимодействовать

Example Claude Desktop project connected to the dbt MCP server

• Добавьте кастомный prompt, объясняющий, что вопросы в этом проекте, вероятно, будут маршрутизироваться через dbt MCP server. Настройте его под контекст вашей организации.
  • Например: Этот диалог подключен к информации вашего dbt‑проекта через dbt MCP server. Если вы получаете вопрос, для ответа на который нужны данные из внешнего источника, используйте инструменты dbt MCP server.

Рекомендации по деплою:

• Это экспериментальный релиз. Рекомендуем начать с прототипирования и проверки ценности перед широким внедрением.
• Будьте особенно осторожны с инструментами выполнения проекта — LLM могут ошибаться, поэтому начинайте с ограниченных прав доступа.
• Начните с минимального use case, который даёт ощутимую пользу. Вместо доступа ко всему продакшен‑проекту рассмотрите создание upstream‑проекта с ограниченным набором моделей и метрик.
• На текущий момент выбор инструментов не всегда идеален. В тестах модель иногда вызывает лишние инструменты или делает это в неправильном порядке. Это часто можно исправить более точным prompt’ом, но это противоречит идее динамического выбора инструментов. Мы ожидаем улучшений в dbt MCP server, клиентах и самом протоколе.
• Внимательно продумывайте, когда использовать инструменты Semantic Layer, а когда — SQL execution. SQL execution мощный, но менее контролируемый. Мы планируем активное тестирование для выработки эвристик.
• Использование инструментов особенно ценно, когда они комбинируются. Какие инструменты дополняют dbt MCP server? Как связать структурированные данные с другими воркфлоу?

Будущее dbt MCP и уровни абстракций для доступа к данным

Мы находимся на самом раннем этапе развития MCP как протокола и поиска оптимальных способов подключения структурированных данных к LLM. Это чрезвычайно захватывающее и динамичное время, когда мы в реальном времени определяем, как лучше всего предоставлять данные и контекст.

Мы уверены, что подход предоставления контекста AI‑системам через dbt станет устойчивым элементом этого стека. По мере работы с сообществом детали реализации и способы доступа могут меняться. Ниже — направления, в которых мы ожидаем эволюцию.

Определение лучшего источника контекста для dbt MCP
Инструменты используют два основных источника информации — dbt Cloud APIs и dbt CLI. Мы продолжим развивать оба направления, особенно dbt Cloud APIs как предпочтительный уровень абстракции при работе с конкретным environment.

Для других сценариев, особенно разработки dbt, потребуется работа из текущего рабочего контекста — соответствующие инструменты появятся в ближайшее время (и мы приветствуем вклад сообщества). Мы будем рады экспериментам и обратной связи.

Определение наиболее полезных инструментов для dbt MCP

Какой набор инструментов лучше всего подходит для human‑in‑the‑loop и AI‑driven доступа к структурированным данным? dbt MCP server — это лишь первые эксперименты, и мы ожидаем, что сообщество предложит гораздо больше.

Хостинг, аутентификация, RBAC и другое

Сейчас dbt MCP server запускается локально, а управление доступом осуществляется через service tokens dbt Cloud или локальную конфигурацию CLI. Мы планируем развивать систему по трем направлениям:

1. Хостинг MCP: в ближайшем будущем появится Cloud‑версия MCP наряду с локальной
2. Управление доступом к данным: безопасный и надежный доступ к данным и data‑assets (OAuth и др.)
3. Контекст пользователя и домена: предоставление пользовательского и доменного контекста при запросах данных

Ожидайте больше новостей на эту тему 5/28.

Это новая территория для всего сообщества. Нам нужны открытые и честные обсуждения того, как интегрировать эти системы в существующие воркфлоу и открывать новые сценарии использования.

Чтобы присоединиться к обсуждению, заходите в канал #tools-dbt-mcp в Slack‑сообществе dbt.