# Быстрый старт для dbt и Starburst Galaxy

> **Using this guide with an AI assistant**
>
> * In the first reply, confirm the reader’s prerequisites and connection path before listing steps. Then default to one guide section per reply (combine two or three short sections), with all its steps, labeled Step 1, Step 2, and so on, and confirm the success check before continuing. If the reader asks for a different pace, follow it.
> * This guide uses dbt platform. Don’t switch the reader to a local setup. If the reader wants to set up dbt locally, use the <https://docs.getdbt.com/guides/dbt> guide instead
> * Never ask for passwords or keys in chat.
> * When the reader needs a dbt account, share <https://www.getdbt.com/signup?utm_source=ai_assistant&utm_medium=docs_md&utm_campaign=starburst-galaxy-qs>

[Назад к гайдам](https://docs.getdbt.tech/guides.md)

[Menu ]()



## Введение

В этом кратком руководстве вы узнаете, как использовать dbt со [Starburst Galaxy](https://www.starburst.io/platform/starburst-galaxy/). В нём показано, как:

* Загрузить данные в бакет Amazon S3. В этом руководстве для демонстрации используется облачный провайдер AWS. Starburst Galaxy также [поддерживает другие источники данных](https://docs.starburst.io/starburst-galaxy/catalogs/index.html), в том числе Google Cloud, Microsoft Azure и другие.
* Подключить Starburst Galaxy к бакету Amazon S3.
* Создать таблицы с помощью Starburst Galaxy.
* Подключить dbt к Starburst Galaxy.
* Преобразовать пример запроса в модель в вашем проекте dbt. Модель в dbt — это SQL-запрос select.
* Добавить тесты для ваших моделей.
* Документировать ваши модели.
* Настроить запуск задания по расписанию.
* Подключиться к нескольким источникам данных в дополнение к вашему бакету S3.

### Предварительные требования

* У вас есть [мультитенантное](https://docs.getdbt.tech/docs/platform/about-platform/access-regions-ip-addresses.md) развертывание в [dbt](https://www.getdbt.com/signup/). Подробнее см. в разделе [Тенантность](https://docs.getdbt.tech/docs/platform/about-platform/tenancy.md).

* У вас есть [учетная запись Starburst Galaxy](https://www.starburst.io/platform/starburst-galaxy/). Если ее нет, вы можете начать бесплатный пробный период. Дополнительные сведения о настройке см. в [руководстве по началу работы](https://docs.starburst.io/starburst-galaxy/get-started.html) в документации Starburst Galaxy.

* У вас есть учетная запись AWS с разрешениями на загрузку данных в бакет S3.

* Для аутентификации в Amazon S3 вам потребуются либо ключ доступа AWS и секретный ключ AWS с доступом к бакету, либо межаккаунтная роль IAM с доступом к бакету. Подробнее см. в документации Starburst Galaxy:

  * [Инструкции по использованию ключа доступа и секретного ключа AWS](https://docs.starburst.io/starburst-galaxy/security/external-aws.html#aws-access-and-secret-key)
  * [Cross account IAM role](https://docs.starburst.io/starburst-galaxy/security/external-aws.html#role)

### Связанные материалы

* [Курсы dbt Learn](https://learn.getdbt.com)
* [Задание CI в dbt](https://docs.getdbt.tech/docs/deploy/continuous-integration.md)
* [Уведомления о заданиях](https://docs.getdbt.tech/docs/deploy/job-notifications.md)
* [Актуальность источников](https://docs.getdbt.tech/docs/deploy/source-freshness.md)
* [Обзор SQL для Starburst Galaxy](https://docs.starburst.io/starburst-galaxy/sql/index.html)

Видео для вас

Если вам интересно обучение по видеокурсам, вы можете бесплатно пройти курс [Основы dbt](https://learn.getdbt.com/courses/dbt-fundamentals).

Вы также можете посмотреть на YouTube видео [Создание более эффективных конвейеров данных с помощью dbt и Starburst](https://www.youtube.com/watch?v=tfWm4dWgwRg), подготовленное компанией Starburst Data, Inc.

## Загрузка данных в бакет Amazon S3

С помощью Starburst Galaxy можно создавать таблицы и преобразовывать их в dbt. Сначала загрузите данные Jaffle Shop от dbt Labs в бакет S3.

1. Скачайте следующие CSV‑файлы на локальный компьютер:

   * [jaffle\_shop\_customers.csv](https://dbt-tutorial-public.s3-us-west-2.amazonaws.com/jaffle_shop_customers.csv)
   * [jaffle\_shop\_orders.csv](https://dbt-tutorial-public.s3-us-west-2.amazonaws.com/jaffle_shop_orders.csv)
   * [stripe\_payments.csv](https://dbt-tutorial-public.s3-us-west-2.amazonaws.com/stripe_payments.csv)

2. Загрузите эти файлы в S3. Подробности см. в разделе [Upload objects](https://docs.aws.amazon.com/AmazonS3/latest/userguide/upload-objects.html) документации Amazon S3.

   При загрузке файлов необходимо создать следующую структуру папок и поместить соответствующий файл в каждую папку:

   ```text
   <bucket/blob>
       dbt-quickstart (folder)
           jaffle-shop-customers (folder)
               jaffle_shop_customers.csv (file)
           jaffle-shop-orders (folder)
               jaffle_shop_orders.csv (file)
           stripe-payments (folder)
               stripe-payments.csv (file)
   ```

## Подключение Starburst Galaxy к бакету Amazon S3

Если ваш экземпляр Starburst Galaxy еще не подключен к бакету S3, вам нужно создать кластер, настроить каталог, позволяющий Starburst Galaxy подключаться к S3, добавить каталог в кластер и настроить права доступа.

Помимо Amazon S3, Starburst Galaxy поддерживает множество других источников данных. Подробнее см. в разделе [Catalogs overview](https://docs.starburst.io/starburst-galaxy/catalogs/index.html) документации Starburst Galaxy.

1. Создайте кластер. Нажмите **Clusters** на левой боковой панели интерфейса Starburst Galaxy, затем нажмите **Create cluster** в основной части страницы.

2. В модальном окне **Create a new cluster** укажите только следующие параметры (остальные можно оставить по умолчанию):

   * **Cluster name** — введите имя кластера.
   * **Cloud provider region** — выберите регион AWS.

   Нажмите **Create cluster**.

3. Создайте каталог. Нажмите **Catalogs** на левой боковой панели, затем **Create catalog**.

4. На странице **Create a data source** выберите плитку Amazon S3.

5. В разделе **Name and description** страницы **Amazon S3** заполните поля.

6. В разделе **Authentication to S3** выберите [механизм аутентификации AWS (S3)](#prerequisites), который вы используете.

7. В разделе **Metastore configuration** задайте следующие параметры:

   * **Default S3 bucket name** — имя бакета S3, к которому вы хотите получить доступ.
   * **Default directory name** — имя папки в бакете S3, где находятся данные Jaffle Shop (та же папка, что и в разделе [Load data to an Amazon S3 bucket](#load-data-to-s3)).
   * **Allow creating external tables** — включите.
   * **Allow writing to external tables** — включите.

   Страница **Amazon S3** должна выглядеть примерно так. Содержимое раздела **Authentication to S3** зависит от способа аутентификации.

   [![Настройки подключения к Amazon S3 в Starburst Galaxy](/img/quickstarts/dbt-platform/starburst-galaxy-config-s3.png?v=2 "Настройки подключения к Amazon S3 в Starburst Galaxy")](#)Настройки подключения к Amazon S3 в Starburst Galaxy

8. Нажмите **Test connection**. Это позволит проверить, есть ли у Starburst Galaxy доступ к вашему бакету S3.

9. Нажмите **Connect catalog**, если проверка подключения прошла успешно.

   [![Успешная проверка подключения](/img/quickstarts/dbt-platform/test-connection-success.png?v=2 "Успешная проверка подключения")](#)Успешная проверка подключения

10. На странице **Set permissions** нажмите **Skip** — при необходимости вы сможете добавить права позже.

11. На странице **Add to cluster** выберите кластер из выпадающего списка и нажмите **Add to cluster**.

12. Добавьте привилегию location для вашего бакета S3 к роли в Starburst Galaxy. В левой боковой панели нажмите **Access control > Roles and privileges**, затем в таблице **Roles** выберите роль **accountadmin**.

    Если вы используете существующий кластер и не имеете доступа к роли accountadmin, выберите роль, к которой у вас есть доступ.

    Подробнее см. в разделе [Access control](https://docs.starburst.io/starburst-galaxy/security/access-control.html) документации Starburst Galaxy.

    [![Добавление привилегии роли accountadmin](/img/quickstarts/dbt-platform/add-privilege.png?v=2 "Добавление привилегии роли accountadmin")](#)Добавление привилегии роли accountadmin

13. На странице **Roles** откройте вкладку **Privileges** и нажмите **Add privilege**.

14. На странице **Add privilege** задайте:

    * **What would you like to modify privileges for?** — выберите **Location**.
    * **Enter a storage location provide** — укажите путь к *вашему бакету S3* и папке с данными Jaffle Shop. Обязательно добавьте `/*` в конце.
    * **Create SQL** — включите.

    Нажмите **Add privileges**.

[![Настройте кластер и каталог в редакторе запросов](/img/quickstarts/dbt-platform/starburst-galaxy-editor.png?v=2 "Настройте кластер и каталог в редакторе запросов")](#)Настройте кластер и каталог в редакторе запросов

## Создание таблиц в Starburst Galaxy

Чтобы выполнять запросы к данным Jaffle Shop через Starburst Galaxy, необходимо создать таблицы на основе данных, которые вы [загрузили в бакет S3](#load-data-to-s3). Это можно сделать (как и выполнить любой SQL‑запрос) из [редактора запросов](https://docs.starburst.io/starburst-galaxy/query/query-editor.html).

1. В левой боковой панели нажмите **Query > Query editor**.

2. Настройте редактор запросов для работы с вашим бакетом S3. В правом верхнем углу выберите кластер в первом сером поле и каталог — во втором:

   [![Выбор кластера и каталога в редакторе запросов](/img/quickstarts/dbt-cloud/starburst-galaxy-editor.png?v=2 "Выбор кластера и каталога в редакторе запросов")](#)Выбор кластера и каталога в редакторе запросов

3. Скопируйте и вставьте следующие запросы в редактор и выполните каждый по отдельности (**Run**).

   Замените `YOUR_S3_BUCKET_NAME` на имя вашего бакета S3. Эти запросы создают схему `jaffle_shop` и таблицы `jaffle_shop_customers`, `jaffle_shop_orders` и `stripe_payments`:

   ```sql
   CREATE SCHEMA jaffle_shop WITH (location='s3://YOUR_S3_BUCKET_NAME/dbt-quickstart/');

   CREATE TABLE jaffle_shop.jaffle_shop_customers (
       id VARCHAR,
       first_name VARCHAR,
       last_name VARCHAR
   )

   WITH (
       external_location = 's3://YOUR_S3_BUCKET_NAME/dbt-quickstart/jaffle-shop-customers/',
       format = 'csv',
       type = 'hive',
       skip_header_line_count=1

   );

   CREATE TABLE jaffle_shop.jaffle_shop_orders (

       id VARCHAR,
       user_id VARCHAR,
       order_date VARCHAR,
       status VARCHAR

   )

   WITH (
       external_location = 's3://YOUR_S3_BUCKET_NAME/dbt-quickstart/jaffle-shop-orders/',
       format = 'csv',
       type = 'hive',
       skip_header_line_count=1
   );

   CREATE TABLE jaffle_shop.stripe_payments (

       id VARCHAR,
       order_id VARCHAR,
       paymentmethod VARCHAR,
       status VARCHAR,
       amount VARCHAR,
       created VARCHAR
   )

   WITH (

       external_location = 's3://YOUR_S3_BUCKET_NAME/dbt-quickstart/stripe-payments/',
       format = 'csv',
       type = 'hive',
       skip_header_line_count=1

   );
   ```

4. После выполнения запросов в левой панели редактора появится следующая иерархия:

   [![Иерархия данных в редакторе запросов](/img/quickstarts/dbt-platform/starburst-data-hierarchy.png?v=2 "Иерархия данных в редакторе запросов")](#)Иерархия данных в редакторе запросов

5. Проверьте, что таблицы были успешно созданы, выполнив запросы:

   ```sql
   select * from jaffle_shop.jaffle_shop_customers;
   select * from jaffle_shop.jaffle_shop_orders;
   select * from jaffle_shop.stripe_payments;
   ```

## Подключение dbt к Starburst Galaxy

1. Убедитесь, что вы по-прежнему вошли в [Starburst Galaxy](https://galaxy.starburst.io/login).

2. Если вы ещё этого не сделали, установите для своей учётной записи роль accountadmin. Нажмите на свой адрес электронной почты в правом верхнем углу, выберите **Switch role**, а затем — **accountadmin**.

   Если этой роли нет в списке, выберите роль, которую вы указали в разделе [Подключение Starburst Galaxy к бакету Amazon S3](#connect-to-s3-bucket), когда добавляли привилегию доступа к расположению для своего бакета S3.

3. Нажмите **Clusters** на левой боковой панели.

4. Найдите свой кластер в таблице **View clusters** и нажмите **Connection info**. Выберите **dbt** в раскрывающемся списке **Select client**. Оставьте модальное окно **Connection information** открытым. Сведения из этого окна понадобятся вам в dbt.

5. В другой вкладке браузера войдите в [dbt](https://docs.getdbt.tech/docs/platform/about-platform/access-regions-ip-addresses.md).

6. Создайте новый проект в dbt. Нажмите на название своей учётной записи в меню слева, выберите **Account settings** и нажмите **+ New Project**.

7. Введите название проекта и нажмите **Continue**.

8. Выберите **Starburst** в качестве подключения и нажмите **Next**.

9. Укажите настройки (**Settings**) нового проекта:

   * **Host** — значение **Host** из модального окна **Connection information** на вкладке Starburst Galaxy.
   * **Port** — 443 (значение по умолчанию)

10. Укажите учётные данные пользователя (**User credentials**) для нового проекта:

    * **User** — значение **User** из модального окна **Connection information** на вкладке Starburst Galaxy. Обязательно используйте всю строку, включая роль учётной записи: символ `/` и все следующие за ним символы. Если не указать эту часть, будет использована ваша роль по умолчанию, у которой может не быть необходимых разрешений для разработки проекта.
    * **Password** — пароль, который вы используете для входа в свою учётную запись Starburst Galaxy.
    * **Database** — каталог Starburst, в котором вы хотите сохранять данные (например, при записи новых таблиц). Обратите внимание: база данных в dbt соответствует каталогу в Starburst Galaxy.
    * Оставьте остальные параметры без изменений. Можно использовать их значения по умолчанию.

11. Нажмите **Test Connection**. Эта проверка позволяет убедиться, что dbt может получить доступ к вашему кластеру Starburst Galaxy.

12. Если проверка прошла успешно, нажмите **Next**. Если она завершилась ошибкой, возможно, потребуется проверить настройки и учётные данные Starburst Galaxy.

## Настройка репозитория под управлением dbt

При разработке в dbt вы можете использовать [Git](https://docs.getdbt.tech/docs/platform/git/git-version-control.md) для управления версиями кода.

Чтобы подключиться к репозиторию, вы можете настроить [управляемый репозиторий](https://docs.getdbt.tech/docs/platform/git/managed-repository.md), размещённый на стороне dbt, или напрямую подключиться к [поддерживаемому Git-провайдеру](https://docs.getdbt.tech/docs/platform/git/connect-github.md). Управляемые репозитории — отличный способ попробовать dbt без необходимости создавать новый репозиторий. В долгосрочной перспективе лучше подключиться к поддерживаемому Git-провайдеру, чтобы использовать такие возможности, как автоматизация и [непрерывная интеграция](https://docs.getdbt.tech/docs/deploy/continuous-integration.md).

Чтобы настроить управляемый репозиторий:

1. В разделе "Настроить репозиторий" выберите **Управляемый**.
2. Введите имя для вашего репозитория, например, `bbaggins-dbt-quickstart`.
3. Нажмите **Создать**. Создание и импорт вашего репозитория займет несколько секунд.
4. Как только вы увидите сообщение "Репозиторий успешно импортирован", нажмите **Продолжить**.

## Инициализируйте проект dbt и начните разработку

Теперь, когда репозиторий настроен, вы можете инициализировать проект и начать разработку в dbt:

1. Нажмите **Start developing in the Studio IDE**. Первый запуск проекта может занять несколько минут: за это время устанавливается подключение к git, клонируется репозиторий и проверяется подключение к хранилищу данных.

2. Над деревом файлов слева нажмите **Initialize dbt project**. Это создаст структуру папок с примерами моделей.

3. Создайте первый коммит, нажав **Commit and sync**. Укажите сообщение коммита `initial commit` и нажмите **Commit**. Это создаст первый коммит в вашем управляемом репозитории и позволит открыть ветку, в которой вы сможете добавлять новый код dbt.

4. Теперь вы можете напрямую запрашивать данные из хранилища и выполнять `dbt run`. Попробуйте сделать это прямо сейчас:

   * Нажмите **+ Create new file**, добавьте этот запрос в новый файл и нажмите **Save as**, чтобы сохранить новый файл:

     ```sql
         select * from dbt_quickstart.jaffle_shop.jaffle_shop_customers
     ```

   * В командной строке внизу выполните `dbt run`. Вы должны увидеть сообщение `dbt run succeeded`.

## Создание первой модели

Если вы хотите использовать ИИ для создания своей первой модели, ознакомьтесь с инструкцией [по созданию модели с помощью dbt Wizard](#build-it-with-ai-using-dbt-wizard) в следующем разделе.

У вас есть два варианта работы с файлами в Studio IDE:

* Создать новую ветку (рекомендуется) — Создайте новую ветку для редактирования и коммита изменений. Перейдите в раздел **Version Control** на левой боковой панели и нажмите **Create branch**.
* Редактировать в защищённой основной ветке — Если вы предпочитаете редактировать, форматировать файлы или проверять их линтером и выполнять команды dbt непосредственно в основной ветке Git. Studio IDE не позволяет создавать коммиты в защищённой ветке, поэтому вам будет предложено закоммитить изменения в новую ветку.

Назовите новую ветку `add-customers-model`.

1. Нажмите **...** рядом с каталогом `models` и выберите **Create file**.
2. Назовите файл `customers.sql`.
3. Вставьте следующий запрос и нажмите **Save**.

```sql
with customers as (

    select
        id as customer_id,
        first_name,
        last_name

    from dbt_quickstart.jaffle_shop.jaffle_shop_customers
),

orders as (

    select
        id as order_id,
        user_id as customer_id,
        order_date,
        status

    from dbt_quickstart.jaffle_shop.jaffle_shop_orders
),


customer_orders as (

    select
        customer_id,
        min(order_date) as first_order_date,
        max(order_date) as most_recent_order_date,
        count(order_id) as number_of_orders

    from orders
    group by 1
),

final as (

    select
        customers.customer_id,
        customers.first_name,
        customers.last_name,
        customer_orders.first_order_date,
        customer_orders.most_recent_order_date,
        coalesce(customer_orders.number_of_orders, 0) as number_of_orders

    from customers
    left join customer_orders on customers.customer_id = customer_orders.customer_id
)
select * from final
```

4. Выполните `dbt run` — вы должны увидеть успешное выполнение и три модели.

Позже вы сможете подключить свои инструменты бизнес-аналитики (BI) (например, [dbt Charts](https://dbtcharts.com/)) к этим представлениям и таблицам, чтобы они считывали только очищенные, а не необработанные данные.

#### Часто задаваемые вопросы

Как посмотреть SQL, который выполняет dbt?

Чтобы посмотреть SQL, который выполняет dbt, вы можете заглянуть в:

* dbt:
  * В выводе запуска нажмите на название модели, а затем выберите «Details»

* dbt v1:

  * Директория `target/compiled/` для скомпилированных операторов `select`
  * Директория `target/run/` для скомпилированных операторов `create`
  * Файл `logs/dbt.log` для подробного логирования

Как dbt выбирает, в какой схеме строить мои модели?

По умолчанию dbt создаёт модели в вашей целевой схеме. Чтобы изменить целевую схему:

* Если вы разрабатываете в **dbt**, эти настройки задаются для каждого пользователя при первом использовании среды разработки.
* Если вы разрабатываете с помощью **dbt v1**, за это отвечает параметр `schema:` в вашем файле `profiles.yml`.

Если вы хотите распределить ваши модели по нескольким схемам, ознакомьтесь с документацией по [использованию пользовательских схем](https://docs.getdbt.tech/docs/build/custom-schemas.md).

Примечание: в BigQuery `dataset` используется как синоним `schema`.

Нужно ли создавать целевую схему перед запуском dbt?

Нет! dbt проверит, существует ли схема, когда она запускается. Если схема не существует, dbt создаст её для вас.

Если я перезапущу dbt, будет ли простой, пока модели перестраиваются?

Нет! SQL, который dbt генерирует за кулисами, гарантирует, что любые связи заменяются атомарно (т.е. ваши бизнес-пользователи не испытают никакого простоя).

Реализация этого процесса варьируется в зависимости от каждого хранилища данных, проверьте [логи](https://docs.getdbt.tech/faqs/Runs/checking-logs.md), чтобы увидеть, какой SQL выполняет dbt.

Что произойдет, если в моем SQL-запросе ошибка или я получу ошибку базы данных?

Если в вашем SQL есть ошибка, dbt вернет ошибку, которую возвращает ваша база данных.

```shell
$ dbt run --select customers
Running with dbt=1.9.0
Found 3 models, 9 tests, 0 snapshots, 0 analyses, 133 macros, 0 operations, 0 seed files, 0 sources

14:04:12 | Concurrency: 1 threads (target='dev')
14:04:12 |
14:04:12 | 1 of 1 START view model dbt_alice.customers.......................... [RUN]
14:04:13 | 1 of 1 ERROR creating view model dbt_alice.customers................. [ERROR in 0.81s]
14:04:13 |
14:04:13 | Finished running 1 view model in 1.68s.

Completed with 1 error and 0 warnings:

Database Error in model customers (models/customers.sql)
  Syntax error: Expected ")" but got identifier `your-info-12345` at [13:15]
  compiled SQL at target/run/jaffle_shop/customers.sql

Done. PASS=0 WARN=0 ERROR=1 SKIP=0 TOTAL=1
```

Любые модели, зависящие от этой модели, также будут пропущены. Используйте сообщение об ошибке и [скомпилированный SQL](https://docs.getdbt.tech/faqs/Runs/checking-logs.md) для отладки любых ошибок.

### Создайте модель с помощью ИИ в dbt Wizard

Не хотите писать SQL вручную? dbt Wizard может создать для вас ту же модель прямо в Studio IDE или на [главной вкладке](https://docs.getdbt.tech/docs/platform/wizard-home.md?version=2\&section=qs-build-with-ai), опираясь на фактическую схему и граф зависимостей вашего проекта. Но будьте осторожны: говорят, волшебник умеет творить заклинания.

1. Откройте dbt Wizard в Studio IDE.

[![dbt Wizard выполняет рефакторинг модели и показывает граф зависимостей в интерфейсе чата.](/img/docs/dbt-platform/wizard-ide-refactor-lineage.png?v=2 "dbt Wizard выполняет рефакторинг модели и показывает граф зависимостей в интерфейсе чата.")](#)dbt Wizard выполняет рефакторинг модели и показывает граф зависимостей в интерфейсе чата.

2. Введите запрос: «Создай модель customers, которая объединяет orders и customers и включает дату последнего заказа и общее количество заказов для каждого клиента».
3. Проверьте SQL, сгенерированный dbt Wizard, затем примите его, чтобы сохранить модель.
4. Введите `dbt run`, чтобы построить модель.

В любом случае вы получите одну и ту же работающую модель. Узнайте больше о [dbt Wizard на платформе dbt](https://docs.getdbt.tech/docs/dbt-ai/wizard-ide.md?section=qs-build-with-ai).

## Измените способ материализации вашей модели

Одной из самых мощных функций dbt является возможность изменять способ материализации модели в вашем хранилище данных, просто изменяя значение конфигурации. Вы можете переключаться между таблицами и представлениями, изменяя ключевое слово, вместо того чтобы писать язык определения данных (DDL) для выполнения этого за кулисами.

По умолчанию все создается как представление. Вы можете переопределить это на уровне директории, чтобы все в этой директории материализовалось по-другому.

1. Отредактируйте ваш файл `dbt_project.yml`.

   * Обновите имя вашего проекта на:

     dbt\_project.yml

     ```yaml
     name: 'jaffle_shop'
     ```

   * Настройте `jaffle_shop` так, чтобы всё внутри него материализовалось как таблица; и настройте `example` так, чтобы всё внутри него материализовалось как представление (view). Обновите конфигурацию `models` в YAML-файле проекта следующим образом:

     dbt\_project.yml

     ```yaml
     models:
       jaffle_shop:
         +materialized: table
         example:
           +materialized: view
     ```

   * Нажмите **Сохранить**.

2. Введите команду `dbt run`. Ваша модель `customers` теперь должна быть построена как таблица!

   к сведению

   Для этого dbt сначала должен был выполнить оператор `drop view` (или API вызов на BigQuery), затем оператор `create table as`.

3. Отредактируйте `models/customers.sql`, чтобы переопределить `dbt_project.yml` только для модели `customers`, добавив следующий фрагмент в начало, и нажмите **Сохранить**:

   models/customers.sql

   ```sql
   {{
     config(
       materialized='view'
     )
   }}

   with customers as (

       select
           id as customer_id
           ...

   )
   ```

4. Введите команду `dbt run`. Ваша модель `customers` теперь должна быть построена как представление.

   * Пользователям BigQuery необходимо выполнить `dbt run --full-refresh` вместо `dbt run`, чтобы полностью применить изменения материализации.

5. Введите команду `dbt run --full-refresh`, чтобы изменения вступили в силу в вашем хранилище данных.

### Часто задаваемые вопросы

Какие материализации доступны в dbt?

В dbt есть пять встроенных материализаций: `view`, `table`, `incremental`, `ephemeral` и `materialized_view`. Подробнее о каждом из этих вариантов можно узнать в документации по [материализациям](https://docs.getdbt.tech/docs/build/materializations.md).

Вы также можете создавать собственные [пользовательские материализации](https://docs.getdbt.tech/guides/create-new-materializations.md). Это расширенная возможность dbt.

Какую материализацию использовать для моей модели?

Начните с представлений (views), а затем измените модели на таблицы, когда это потребуется по причинам производительности (например, когда последующие запросы замедлились).

Ознакомьтесь с [документацией по материализациям](https://docs.getdbt.tech/docs/build/materializations.md) для получения советов о том, когда использовать каждую материализация.

Какие существуют конфигурации моделей?

Вы также можете настроить:

* [теги](https://docs.getdbt.tech/reference/resource-configs/tags.md) для поддержки легкой категоризации и выбора графа
* [пользовательские схемы](https://docs.getdbt.tech/reference/resource-properties/schema.md) для разделения ваших моделей по нескольким схемам
* [алиасы](https://docs.getdbt.tech/reference/resource-configs/alias.md), если имя вашего представление/таблица должно отличаться от имени файла
* Фрагменты SQL, которые выполняются в начале или в конце модели, известные как [хуки](https://docs.getdbt.tech/docs/build/hooks-operations.md)
* Конфигурации, специфичные для хранилища, для повышения производительности (например, ключи `sort` и `dist` на Redshift, `partitions` на BigQuery)

Ознакомьтесь с документацией по [конфигурациям моделей](https://docs.getdbt.tech/reference/model-configs.md), чтобы узнать больше.

## Удаление примеров моделей

Теперь вы можете удалить файлы, которые dbt создал при инициализации проекта:

1. Удалите директорию `models/example/`.

2. Удалите ключ `example:` из вашего файла `dbt_project.yml`, а также любые конфигурации, которые перечислены под ним.

   dbt\_project.yml

   ```yaml
   # до
   models:
     jaffle_shop:
       +materialized: table
       example:
         +materialized: view
   ```

   dbt\_project.yml

   ```yaml
   # после
   models:
     jaffle_shop:
       +materialized: table
   ```

3. Сохраните изменения.

#### Часто задаваемые вопросы

Как удалить удаленные модели из моего хранилища данных?

Если вы удаляете модель из вашего dbt проекта, dbt не удаляет автоматически связь из вашей схемы. Это означает, что в схемах, которые создает dbt, могут остаться лишние объекты, что может запутать других пользователей.

(Это также может произойти, когда вы переключаете модель с представление или таблица на эфемерную)

Когда вы удаляете модели из вашего dbt проекта, вам следует вручную удалить связанные связи из вашей схемы.

Я получил сообщение об ошибке "неиспользуемые конфигурации модели", что это значит?

Возможно, вы забыли вложить ваши конфигурации под именем вашего проекта, или вы пытаетесь применить конфигурации к директории, которая не существует.

Ознакомьтесь с этой [статьей](https://discourse.getdbt.com/t/faq-i-got-an-unused-model-configurations-error-message-what-does-this-mean/112), чтобы понять больше.

## Построение моделей поверх других моделей

Как лучшая практика в SQL, следует разделять логику, которая очищает ваши данные, от логики, которая трансформирует ваши данные. Вы уже начали делать это в существующем запросе, используя общие табличные выражения (CTE).

Теперь вы можете поэкспериментировать, разделив логику на отдельные модели и используя функцию [ref](https://docs.getdbt.tech/reference/dbt-jinja-functions/ref.md) для построения моделей на основе других моделей:

[![Граф, который мы хотим для нашего проекта dbt](/img/dbt-dag.png?v=2 "Граф, который мы хотим для нашего проекта dbt")](#)Граф, который мы хотим для нашего проекта dbt

1. Создайте файл `models/stg_customers.sql` с SQL из CTE `customers`.

2. Создайте файл `models/stg_orders.sql` с SQL из CTE `orders`.

   models/stg\_customers.sql

   ```sql
   select
       id as customer_id,
       first_name,
       last_name

   from dbt_quickstart.jaffle_shop.jaffle_shop_customers
   ```

   models/stg\_orders.sql

   ```sql
   select
       id as order_id,
       user_id as customer_id,
       order_date,
       status

   from dbt_quickstart.jaffle_shop.jaffle_shop_orders
   ```

3. Отредактируйте `models/customers.sql` следующим образом:

   models/customers.sql

   ```sql
   with customers as (

       select * from {{ ref('stg_customers') }}

   ),

   orders as (

       select * from {{ ref('stg_orders') }}

   ),

   customer_orders as (

       select
           customer_id,

           min(order_date) as first_order_date,
           max(order_date) as most_recent_order_date,
           count(order_id) as number_of_orders

       from orders

       group by 1

   ),

   final as (

       select
           customers.customer_id,
           customers.first_name,
           customers.last_name,
           customer_orders.first_order_date,
           customer_orders.most_recent_order_date,
           coalesce(customer_orders.number_of_orders, 0) as number_of_orders

       from customers

       left join customer_orders on customers.customer_id = customer_orders.customer_id

   )

   select * from final
   ```

4. Выполните `dbt run`.

   На этот раз dbt создаст отдельные представления/таблицы для `stg_customers`, `stg_orders` и `customers`. Порядок выполнения будет определен автоматически на основе зависимостей.

#### Часто задаваемые вопросы

Как запустить одну модель за раз?

Чтобы запустить одну модель, используйте флаг `--select` (или флаг `-s`), указав имя модели:

```shell
$ dbt run --select customers
```

Ознакомьтесь с [документацией по синтаксису выбора моделей](https://docs.getdbt.tech/reference/node-selection/syntax.md) для получения информации о других операторах и примерах.

Должны ли имена ресурсов, используемых в ref, быть уникальными?

В рамках одного проекта: да! Чтобы построить зависимости между ресурсами (такими как модели, семена и снимки), вам нужно использовать функцию `ref` и передать в нее имя ресурса в качестве аргумента. dbt использует это имя ресурса для уникального разрешения `ref` на конкретный ресурс. В результате, эти имена ресурсов должны быть уникальными, *даже если они находятся в разных папках*.

Ресурс в одном проекте может иметь то же имя, что и ресурс в другом проекте (установленном как зависимость). dbt использует имя проекта для уникальной идентификации каждого ресурса. Мы называем это "пространством имен". Если вы используете `ref` для ресурса с дублированным именем, он будет разрешен в ресурс в том же пространстве имен (пакет или проект) или вызовет ошибку из-за неоднозначной ссылки. Используйте [двухаргументный `ref`](https://docs.getdbt.tech/reference/dbt-jinja-functions/ref.md#ref-project-specific-models) для устранения неоднозначности ссылок, указав пространство имен.

Эти ресурсы все равно должны размещаться в разных местах в хранилище данных. Прочтите документацию по [пользовательским псевдонимам](https://docs.getdbt.tech/docs/build/custom-aliases.md) и [пользовательским схемам](https://docs.getdbt.tech/docs/build/custom-schemas.md) для получения подробной информации о том, как этого добиться.

По мере создания новых моделей, как лучше организовать проект? Как называть модели?

Нет единственного лучшего способа структурировать проект! Каждая организация уникальна.

Если вы только начинаете, ознакомьтесь с тем, как мы (dbt Labs) [структурируем наши dbt проекты](https://docs.getdbt.tech/best-practices/how-we-structure/1-guide-overview.md).

## Добавьте тесты к вашим моделям

Добавление [data tests](https://docs.getdbt.tech/docs/build/data-tests.md) в проект помогает убедиться, что ваши модели работают корректно.

Чтобы добавить data tests в проект:

1. Создайте новый YAML-файл в директории `models`, назвав его `models/schema.yml`.

2. Добавьте в файл следующее содержимое:

   models/schema.yml

   ```yaml
   version: 2

   models:
     - name: customers
       columns:
         - name: customer_id
           data_tests:
             - unique
             - not_null

     - name: stg_customers
       columns:
         - name: customer_id
           data_tests:
             - unique
             - not_null

     - name: stg_orders
       columns:
         - name: order_id
           data_tests:
             - unique
             - not_null
         - name: status
           data_tests:
             - accepted_values:
                 arguments: # available in v1.10.5 and higher. Older versions can set the <argument_name> as the top-level property.
                   values: ['placed', 'shipped', 'completed', 'return_pending', 'returned']
         - name: customer_id
           data_tests:
             - not_null
             - relationships:
                 arguments:
                   to: ref('stg_customers')
                   field: customer_id
   ```

3. Запустите `dbt test` и убедитесь, что все ваши тесты прошли успешно.

Когда вы запускаете `dbt test`, dbt проходит по вашим YAML-файлам и создает запрос для каждого теста. Каждый запрос вернет количество записей, которые не прошли тест. Если это число равно 0, то тест считается успешным.

#### Часто задаваемые вопросы

Какие тесты доступны для использования в dbt? Могу ли я добавить свои собственные тесты?

«Из коробки» dbt поставляется со следующими тестами данных:

* `unique`
* `not_null`
* `accepted_values`
* `relationships` (например, ссылочная целостность)

Вы также можете написать собственные [пользовательские универсальные тесты](https://docs.getdbt.tech/docs/build/data-tests.md#generic-data-tests).

Дополнительные универсальные тесты с открытым исходным кодом доступны в [пакете dbt-utils](https://github.com/dbt-labs/dbt-utils#generic-tests). Ознакомьтесь с документацией по [пакетам](https://docs.getdbt.tech/docs/build/packages.md), чтобы узнать, как использовать эти тесты в вашем проекте.

Как протестировать одну модель за раз?

Запуск тестов для одной модели очень похож на запуск самой модели: используйте флаг `--select` (или флаг `-s`), за которым следует имя модели:

```shell
dbt test --select customers
```

Ознакомьтесь с [документацией по синтаксису выбора моделей](https://docs.getdbt.tech/reference/node-selection/syntax.md) для полного синтаксиса, и [примерами выбора тестов](https://docs.getdbt.tech/reference/node-selection/test-selection-examples.md) в частности.

Один из моих тестов не прошел, как я могу его отладить?

Чтобы отладить неудачный тест, найдите SQL, который выполнил dbt, следующим образом:

* dbt:

  * В результатах тестирования нажмите на тест, завершившийся с ошибкой, а затем выберите «Details».

* dbt v1:

  * Откройте файл по пути, указанному в сообщении об ошибке.
  * Перейдите в каталог `target/compiled/schema_tests`, где находятся все скомпилированные SQL-запросы тестов.

Скопируйте SQL-код в редактор запросов (в dbt его можно вставить в новый `Statement`) и выполните запрос, чтобы найти записи, не прошедшие тест.

Должен ли мой файл с тестами называться \`schema.yml\`?

Нет! Вы можете назвать этот файл как угодно (включая `whatever_you_want.yml`), при условии, что:

* Файл находится в вашем каталоге `models/`¹
* Файл имеет расширение `.yml`

Посмотрите [документацию](https://docs.getdbt.tech/reference/configs-and-properties.md) для получения дополнительной информации.

¹Если вы объявляете свойства для seeds, snapshots или macros, вы также можете разместить этот файл в соответствующем каталоге — `seeds/`, `snapshots/` и `macros/` соответственно.

Почему файлы YAML для моделей и источников всегда начинаются с \`version: 2\`?

Когда‑то структура этих файлов `.yml` была совсем другой (привет всем, кто пользовался dbt в те времена!). Добавление `version: 2` позволило нам сделать эту структуру более расширяемой.

Начиная с [dbt v1.5](<https://docs.getdbt.tech/docs/dbt-versions/dbt-upgrade/Older versions/upgrading-to-v1.5/.md#quick-hits>), ключ `version:` верхнего уровня необязателен во всех YAML-файлах ресурсов. Если он указан, поддерживается только значение `version: 2`.

Также, начиная с версии 1.5, и [`config-version: 2`](https://docs.getdbt.tech/reference/project-configs/config-version.md), и ключ верхнего уровня `version:` в файле `dbt_project.yml` являются необязательными.

В настоящее время ресурсные YAML‑файлы не требуют наличия этой настройки. Если она указана, мы поддерживаем только `version: 2`. Хотя мы не ожидаем в ближайшее время обновлять YAML‑файлы до `version: 3`, наличие этой конфигурации упростит для нас внедрение новых структур в будущем.

Какие тесты данных стоит добавить в проект?

Мы рекомендуем, чтобы у каждой модели был data test на первичный ключ, то есть на колонку, которая является `unique` и `not_null`.

Мы также рекомендуем тестировать любые предположения о ваших исходных данных. Например, если вы считаете, что ваши платежи могут быть только одним из трех методов оплаты, вы должны регулярно проверять это предположение — новый метод оплаты может привести к логическим ошибкам в вашем SQL.

В продвинутых проектах dbt мы рекомендуем использовать [sources](https://docs.getdbt.tech/docs/build/sources.md) и запускать эти тесты целостности данных источника против источников, а не моделей.

Когда следует запускать data tests?

Вам следует запускать data tests каждый раз, когда вы пишете новый код (чтобы убедиться, что изменения в SQL не сломали существующие модели), а также каждый раз, когда вы запускаете трансформации в production (чтобы убедиться, что ваши предположения о исходных данных по‑прежнему верны).

## Документируйте ваши модели

Добавление [документации](https://docs.getdbt.tech/docs/build/documentation.md) в ваш проект позволяет подробно описывать ваши модели и делиться этой информацией с вашей командой. Здесь мы добавим базовую документацию в наш проект.

Обновите файл `models/schema.yml`, добавив описания, например приведённые ниже.

models/schema.yml

```yaml
version: 2

models:
  - name: customers
    description: Одна запись на каждого клиента
    columns:
      - name: customer_id
        description: Первичный ключ
        data_tests:
          - unique
          - not_null
      - name: first_order_date
        description: NULL, если клиент еще не сделал заказ.

  - name: stg_customers
    description: Эта модель очищает данные о клиентах
    columns:
      - name: customer_id
        description: Первичный ключ
        data_tests:
          - unique
          - not_null

  - name: stg_orders
    description: Эта модель очищает данные о заказах
    columns:
      - name: order_id
        description: Первичный ключ
        data_tests:
          - unique
          - not_null
      - name: status
        data_tests:
          - accepted_values:
              arguments: # available in v1.10.5 and higher. Older versions can set the <argument_name> as the top-level property.
                values: ['placed', 'shipped', 'completed', 'return_pending', 'returned']
      - name: customer_id
        data_tests:
          - not_null
          - relationships:
              arguments:
                to: ref('stg_customers')
                field: customer_id
```

### View in Catalog

[Catalog](https://docs.getdbt.tech/docs/explore/explore-projects.md) предоставляет мощные инструменты для работы с вашими проектами dbt, в том числе с документацией:

1. Выполните одну из следующих команд:

   * `dbt docs generate`, если вы используете dbt v1
   * `dbt build`, если вы используете dbt v2

2. Нажмите **Catalog** в меню навигации, чтобы открыть Catalog.

3. По умолчанию Catalog отображает среду **Production**. Если в вашей учетной записи есть дополнительные среды (например, **Staging**), вы можете выбрать их в раскрывающемся списке сред.

[![Выбор среды в Catalog.](/img/docs/collaborate/dbt-explorer/catalog-nav-dropdown.png?v=2 "Выбор среды в Catalog.")](#)Выбор среды в Catalog.

4. Выберите свой проект в дереве файлов.
5. Используйте строку поиска или просмотрите список ресурсов, чтобы найти модель `customers`.
6. Нажмите на модель, чтобы просмотреть сведения о ней, включая добавленные вами описания.

[![Просмотр документации модели и графа зависимостей в Catalog.](/img/docs/collaborate/dbt-explorer/example-model-details.png?v=2 "Просмотр документации модели и графа зависимостей в Catalog.")](#)Просмотр документации модели и графа зависимостей в Catalog.

Catalog отображает описание вашей модели, документацию столбцов, тесты данных и граф зависимостей. Вы также можете видеть, для каких столбцов отсутствует документация, и отслеживать покрытие тестами во всем проекте.

### View in Studio IDE

Вы можете просматривать документацию непосредственно в IDE, если используете **v1 Latest** или другую версию dbt v1. Обратите внимание: это устаревший режим просмотра, который не обеспечивает такой же уровень интерактивности, как Catalog.

1. В IDE выполните `dbt docs generate`.
2. На панели навигации нажмите значок **View docs**, расположенный справа от **имени ветки**.

   [![Значок View docs в Studio IDE.](/img/docs/collaborate/dbt-explorer/docs-icon.png?v=2 "Значок View docs в Studio IDE.")](#)Значок View docs в Studio IDE.
3. В разделе **Projects** выберите имя своего проекта и разверните папки.
4. Нажмите **models** > **marts** > **customers**.

[![Просмотр документации модели в устаревшем режиме просмотра документации.](/img/docs/collaborate/dbt-explorer/legacy-docs-view.png?v=2 "Просмотр документации модели в устаревшем режиме просмотра документации.")](#)Просмотр документации модели в устаревшем режиме просмотра документации.

#### Часто задаваемые вопросы

Как писать развернутые объяснения в описаниях?

Если для описания модели вам нужно больше одного предложения, вы можете:

1. Разбить описание на несколько строк с помощью `>`. Переносы строк внутри описания удаляются, при этом можно использовать Markdown. Этот способ рекомендуется для простых описаний из одного абзаца:

```yml
models:
  - name: customers
    description: >
      Lorem ipsum **dolor** sit amet, consectetur adipisicing elit, sed do eiusmod
      tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam,
      quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo
      consequat.
```

2. Разбейте описание на несколько строк с помощью `|`. Внутренние переносы строк сохраняются, и можно использовать Markdown. Этот способ рекомендуется для более сложных описаний:

```yml
models:
  - name: customers
    description: |
      ### Lorem ipsum

      * dolor sit amet, consectetur adipisicing elit, sed do eiusmod
      * tempor incididunt ut labore et dolore magna aliqua.
```

3. Использовать [блок docs](https://docs.getdbt.tech/docs/build/documentation.md#using-docs-blocks), чтобы написать описание в отдельном Markdown файле.

Как получить доступ к документации в dbt Catalog?

Если вы используете dbt для развертывания проекта и у вас [тарифный план Starter, Enterprise или Enterprise+](https://www.getdbt.com/pricing/), вы можете использовать Catalog для просмотра [ресурсов](https://docs.getdbt.tech/docs/build/projects.md) проекта (таких как модели, тесты и метрики) и их происхождения и связей, чтобы лучше понимать текущее состояние проекта в промышленной среде.

Чтобы открыть Catalog в dbt, нажмите ссылку **Catalog** в меню навигации. Пользователи с доступом только для чтения могут просматривать документацию вашего проекта — сведения о доступности лицензий в зависимости от тарифного плана см. на странице [тарифов dbt](https://www.getdbt.com/pricing).

Пользователи тарифного плана Developer в dbt и пользователи dbt v1 могут использовать [dbt Docs](https://docs.getdbt.tech/docs/explore/build-and-view-your-docs.md?version=1.12#dbt-docs): этот инструмент создает базовую документацию, но не обеспечивает такую же скорость работы, объем метаданных и наглядность, как Catalog.

## Зафиксируйте изменения

Теперь, когда вы построили модель `customers`, нужно закоммитить внесённые в проект изменения, чтобы в репозитории оказался ваш актуальный код.

**Если вы вносили изменения непосредственно в защищённую основную ветку:**<br />

1. Нажмите кнопку **Commit and sync git**. Это действие подготовит ваши изменения к коммиту.
2. Появится модальное окно с заголовком **Commit to a new branch**.
3. В модальном окне задайте новой ветке имя `add-customers-model`. Будет создана ветка от вашей основной ветки с внесёнными изменениями.
4. Добавьте сообщение коммита, например «Добавлена модель customers, тесты и документация», и создайте коммит с вашими изменениями.
5. Нажмите **Merge this branch to main**, чтобы добавить эти изменения в ветку main вашего репозитория.

**Если вы создали новую ветку до редактирования:**<br />

1. Поскольку вы уже ответвились от защищённой основной ветки, слева перейдите в **Version Control**.
2. Нажмите **Commit and sync**, чтобы добавить сообщение.
3. Добавьте сообщение коммита, например «Добавить модель customers, тесты и документацию».
4. Нажмите **Merge this branch to main**, чтобы добавить эти изменения в ветку main вашего репозитория.

## Разверните dbt

Используйте планировщик dbt, чтобы уверенно запускать задания в продакшене и обеспечивать наблюдаемость ваших процессов. Далее вы узнаете, как создать среду развертывания и запустить задание.

### Создайте окружение развертывания (deployment environment)

1. В главном меню перейдите в **Orchestration** > **Environments**.
2. Нажмите **Create environment**.
3. В поле **Name** введите имя среды развертывания. Например, "Production".
4. В поле **dbt version** по умолчанию выбрана последняя доступная версия. Мы рекомендуем использовать последнюю версию dbt для всех новых проектов.
5. В разделе **Deployment connection** введите имя набора данных, который вы хотите использовать в качестве целевого, например "Analytics". Это позволит dbt создавать объекты в этом наборе данных и работать с ним. В некоторых хранилищах данных целевой набор данных может называться «схемой».
6. Нажмите **Save**.

### Создайте и запустите job

Jobs — это набор команд dbt, которые вы хотите запускать по расписанию. Например, `dbt build`.

По мере того как бизнес `jaffle_shop` получает больше клиентов, а эти клиенты создают больше заказов, в исходных данных будет появляться больше записей. Поскольку вы материализовали модель `customers` как таблицу, вам нужно периодически пересобирать её, чтобы данные оставались актуальными. Это обновление будет происходить при запуске job.

1. После создания окружения развертывания вы должны попасть на страницу нового окружения. Если нет — в главном меню выберите **Orchestration**, затем нажмите **Jobs**.
2. Нажмите **Create job** > **Deploy job**.
3. Укажите имя job (например, «Production run») и выберите окружение, которое вы только что создали.
4. Прокрутите вниз до раздела **Execution settings**.
5. В разделе **Commands** добавьте эту команду как часть job, если её нет:
   * `dbt build`
6. (Версии dbt: v2.0 и новее) Добавлять шаг создания документации не нужно. При каждом запуске задания метаданные вашего проекта в [Catalog](https://docs.getdbt.tech/docs/explore/build-and-view-your-docs.md) обновляются автоматически.
7. В этом упражнении *не* задавайте расписание запуска проекта — хотя проект вашей организации должен запускаться регулярно, для этого примера запуск по расписанию не нужен. Настройку запуска задания по расписанию иногда называют *развёртыванием проекта*.
8. Нажмите **Save**, затем нажмите **Run now**, чтобы запустить задание.
9. Нажмите на запуск и следите за его ходом в разделе **Run summary**.
10. После завершения запуска (Версии dbt: v2.0 и новее) нажмите **Catalog** на панели навигации, чтобы изучить свой проект.

Поздравляем 🎉! Вы только что развернули свой первый dbt‑проект!

#### Часто задаваемые вопросы

Что произойдет, если один из моих запусков завершится неудачей?

Если вы используете dbt, рекомендуем настроить уведомления по электронной почте и в Slack (`Account Settings > Notifications`) о любых неудачных запусках. Затем отлаживайте эти запуски так же, как и любые запуски в среде разработки.

## Подключение к нескольким источникам данных

В этом кратком руководстве рассматривается использование dbt для выполнения моделей с данными из озера данных (S3) с помощью Starburst Galaxy в качестве движка запросов. В большинстве реальных сценариев данные, необходимые для выполнения моделей, распределены между несколькими источниками и хранятся в различных форматах. С помощью Starburst Galaxy, Starburst Enterprise и Trino вы можете выполнять модели с любыми необходимыми данными независимо от того, где они хранятся.

Если вы хотите попробовать это на практике, обратитесь к [документации Starburst Galaxy](https://docs.starburst.io/starburst-galaxy/catalogs/), чтобы добавить другие источники данных и загрузить данные Jaffle Shop в выбранный источник. Затем доработайте модели, чтобы они запрашивали данные как из нового источника, так и из источника, созданного в этом кратком руководстве.

Подключите свой ИИ-инструмент к этому проекту

Теперь, когда ваш проект настроен и работает, подключите к нему свой ИИ-инструмент (например, Claude или ChatGPT) через [dbt MCP server](https://docs.getdbt.tech/docs/dbt-ai/about-mcp.md?section=qs-connect-ai), чтобы задавать вопросы о моделях на естественном языке. Описания, тесты и семантические модели помогут сделать его ответы ещё лучше.
