用途
dbt（data build tool）让分析工程师能够更高效地在数据仓库中转换数据。它是一个开发框架，把软件工程的最佳实践引入数据转换：以 Git 管理 SQL 转换代码（版本控制）、内置数据质量测试框架、自动生成可搜索的数据字典、通过 ref 和宏实现可复用 SQL、自动解析依赖并可视化血缘、为数据转换提供 CI/CD 部署能力。
本技能适用于以下场景：为分析和商业智能构建数据转换管道；用模块化、可测试的 SQL 转换构建数据仓库；实现 ELT（抽取、加载、转换）工作流；为分析开发维度模型（事实表、维度表）；管理复杂的 SQL 依赖与数据血缘；跨项目创建可复用的数据转换逻辑；测试数据质量并实现数据契约；为数据模型和业务逻辑编写文档；为大数据集构建增量模型；用 Airflow、Dagster 或 dbt Cloud 等工具编排 dbt；将遗留 ETL 流程迁移到现代 ELT 架构；为分析团队落地 DataOps 实践。
主要能力
核心实体：模型（定义数据转换的 SQL SELECT 语句）、来源（仓库中的原始数据表）、种子（加载进仓库的 CSV 文件）、测试（数据质量断言）、宏（可复用的 Jinja-SQL 函数）、快照（类型 2 缓慢变化维度捕获）、暴露（dbt 模型的下游使用，如仪表盘、机器学习模型）、指标（业务指标定义）。
模型开发：模型是保存为 .sql 文件的 SELECT 语句，只包含 SELECT（不含 DDL），推荐用 CTE 提升可读性，通过 {{ source() }} 引用来源，由 dbt 根据物化方式处理 CREATE/INSERT 逻辑。{{ ref() }} 用于引用其他模型，可自动构建依赖图、解析正确的 schema/database、支持在不影响生产的情况下于开发环境测试，并驱动血缘可视化。{{ source() }} 用于定义和引用原始数据源，支持文档化原始表、测试源数据质量、通过 freshness 配置跟踪新鲜度。
模型组织：推荐目录结构为 staging（与源表一一对应，前缀 stg_）、intermediate（专用转换，不暴露给最终用户，前缀 int_）、marts（业务定义的实体，事实表前缀 fct_、维度表前缀 dim_）。
物化方式：view（默认，轻量不存数据，每次访问时运行查询，适合小数据集、低频查询，构建快查询慢）；table（每次运行全量重建，数据物理存储，适合中小数据集、高频查询，构建慢查询快）；incremental（后续运行只处理新数据，首次运行构建全表，适合大数据集、事件/时间序列数据，增量构建快并保留历史数据）；ephemeral（不在仓库中构建，作为 CTE 插入依赖模型，适合轻量转换、避免视图泛滥）。增量策略包括 append（仅追加新行）、merge（基于 unique_key 做 upsert）、delete+insert（删除匹配记录再插入新记录）。
测试：内置通用测试包括 unique（无重复值）、not_null（无空值）、accepted_values（值在指定列表内）、relationships（外键校验）。自定义数据测试放在 tests/ 目录，测试查询返回任何行即失败，因此查询应返回失败记录。可结合 dbt_utils 包使用 unique_combination_of_columns、sequential_values、not_null_proportion 等测试。测试支持 severity 级别（error 使构建失败、warn 仅警告）。
文档：在 YAML 中为模型和列编写描述，支持 Markdown 格式；可用文档块（{% docs %}）创建可复用文档并通过 {{ doc() }} 引用。执行 dbt docs generate 生成文档站点，dbt docs serve 本地预览，提供交互式血缘图（DAG 可视化）、可搜索模型目录、列级文档、来源新鲜度跟踪、测试覆盖可见性和编译后 SQL 预览。
增量模型：通过 is_incremental() 判断是否为首次运行之后的增量执行，{{ this }} 引用当前模型的表，unique_key 指定去重列。merge 策略支持 merge_update_columns 和 merge_exclude_columns 指定更新/排除列，适合缓慢变化数据和历史记录更新；delete+insert 适合聚合数据和整分区替换，批量更新时比 merge 更高效。可通过回看窗口（如 order_date >= max(order_date) - interval '3 days'）处理迟到数据。
使用方式
dbt 工作流为：开发（编写 SQL SELECT 作为模型）→ 测试（定义数据质量测试）→ 文档（添加描述和元数据）→ 构建（dbt run 编译并执行模型）→ 测试（dbt test 验证数据质量）→ 部署（CI/CD 管道部署到生产）。文档生成使用 dbt docs generate 与 dbt docs serve --port 8001，可在 http://localhost:8001 查看。
适用场景
适合分析工程团队构建数据仓库转换层、实现 ELT 与维度建模、管理 SQL 依赖与血缘、落地数据质量测试与数据契约、为大数据集做增量处理，以及将遗留 ETL 迁移到现代 ELT 架构。
限制
资料未提供 dbt 的收费、价格、平台支持范围、性能基准或具体版本要求等信息，这些内容暂未提供。