用途
dbt Cloud 由 dbt Labs 提供，目标是帮助数据团队构建可靠、可治理的数据管道，从而加速分析和 AI 项目。Fivetran 与 dbt 已合并为一家公司。平台由全新的 Fusion 引擎驱动，使数据团队在本地或云端构建数据模型时具有较高生产力。
主要能力
- 用 SQL 转换数据：像软件工程师构建应用一样构建数据管道——模块化、经过测试、支持版本控制。原生 SQL 理解与本地校验可在数据进入仓库前发现问题，多方言编译则在数据平台演进时保持逻辑可移植。
- 交互式血缘（跨项目与列）：通过实时交互式 DAG 查看数据如何跨项目流动和转换。可按模型类型、物化方式或依赖进行过滤，并下钻到列级血缘，追踪字段来源、转换方式或重命名时间。
- 自动重构模型与列：深度 SQL 感知让项目在演进中保持一致。重命名模型或列一次，dbt 会自动更新所有下游引用；提交前可预览全部拟议更改。
- 设计上可互操作：dbt 不存储用户数据。平台提供生态集成并遵循开放标准，以安全、可扩展、灵活的方式把数据从所在位置送到需要的位置。
- 智能编排：Fusion 为生产管道带来有状态智能，仅自动构建需要更新的模型，无需重写或复杂设置。官方称可节省 30% 以上的仓库开支，同时维持 SLA 并保持项目快速运行。
- IDE 支持：在常用 IDE 中获得原生本地开发体验，可使用 Cursor、Claude Code、Windsurf 或 VS Code 的 IDE 扩展。
使用方式
资料未提供具体的安装命令或操作步骤。从官方表述可知，用户可以在本地或云端构建数据模型，使用 SQL 编写转换逻辑，通过 dbt Catalog 与血缘获得元数据支撑，并在支持的 IDE 中通过扩展进行本地开发。
适用场景
- 提升数据质量与信任：丰富元数据驱动 dbt Catalog 和血缘，改善治理，为分析和 AI 开发提供可信数据。
- 提效与降本：帮助团队发现低效环节、自动化例行工作、更智能地使用计算资源，从而降低成本并加快交付。
- 为 AI 构建更好的数据：确保数据可信、可治理、有适当文档，使 AI 建立在尽可能好的输入之上。
限制
资料未说明定价、具体部署架构、支持的数据仓库清单、免费额度或使用限制。官方强调 dbt 不存储用户数据，其余关于平台兼容性与性能的细节暂未提供。
