使用 AI 为 dbt 代码变更自动生成 SQL 验证笔记本 #

解决 dbt 模型变更后的手动验证痛点：AI 自动分析 GitHub PR 或本地代码 diff，生成一套标准化的 SQL 验证笔记本，通过对比生产环境（Prod）与开发环境（Dev）的数据差异，确保代码上线前的正确性。

为什么需要这个技能 #

在 dbt 项目中，修改一个模型可能导致下游数据的意外偏移。传统的验证方式通常是手动编写 SQL 并在 IDE 中对比 PROD 和 DEV 数据库，过程重复且容易遗漏关键维度。

本技能通过 AI 自动化分析代码变更（Diff），智能识别受影响的字段、过滤条件和关联关系，直接生成一个可导入 Monte Carlo Bridge 的 SQL Notebook。它不仅提供基础的行数统计，还能针对变更点自动构建“前后对比查询”，让开发者快速判断变更是否符合预期。

适用场景 #

• PR 审核阶段：在 GitHub PR 合并前，快速生成验证脚本检查数据分布。
• 本地开发验证：在本地分支修改 dbt 模型后，对比当前分支与主分支的数据差异。
• 数据质量审计：需要针对特定模型变更记录完整的验证逻辑（含 SQL 代码和执行结果）。

核心工作流 #

1. 变更检测（Mode Detection）：
   • PR 模式：通过 gh CLI 提取 GitHub PR 的文件列表和 diff 内容。
   • 本地模式：通过 git diff 对比当前分支与基准分支（如 main）。
2. 元数据解析（Parsing）：
   • 运行 resolve_dbt_schema.py 脚本，根据 dbt_project.yml 自动解析模型在数据库中的实际 Schema。
   • 识别模型类型（新模型或修改模型）及关键字段（如 unique_key、时间轴字段）。
3. 查询生成（Query Generation）：
   • 新模型：生成行数统计、样本预览、唯一性检查和空值率分析（仅限 dev_db）。
   • 修改模型：生成生产环境基线查询 $\to$ 开发环境验证查询 $\to$ PROD vs DEV 差异对比查询。
4. 笔记本构建与导出：
   • 构建符合 Monte Carlo 规范的 YAML 配置。
   • 通过 generate_notebook_url.py 将配置编码为 Base64 导入链接，直接在浏览器中唤起 Notebook 界面。

下载和安装 #

下载 monte-carlo-validation-notebook 中文版 Skill ZIP

解压后将目录放入你的 AI 工具 skills 文件夹，重启工具后即可使用。具体路径参考内附的 USAGE.zh.md。

你可能还需要 #

暂无推荐