dbt 数据构建工具
实战指南

现代数据栈（Modern Data Stack）的核心挑战不再是数据存储，而是数据转换的工程化。传统方式下，数据团队用零散 SQL 脚本做转换，缺乏版本控制、没有测试、文档残缺，代码难以复用与维护。

dbt（data build tool）彻底改变了这一局面：用纯 SQL（和 Python）定义转换逻辑，Git 管理版本，自动生成依赖 DAG，内置测试框架，自动生成血缘文档。它让分析工程师能够用软件工程的最佳实践来构建数据模型，是数据工程师和分析工程师的必备工具。

• 1
  dbt 与分析工程

  ETL vs ELT 转变、分析工程师角色、dbt Core vs Cloud、安装与初始化项目
  ›
• 2
  模型（Models）基础

  .sql 文件即模型、ref() 自动依赖、source()、物化类型、dbt run
  ›
• 3
  Sources 数据源管理

  schema.yml 定义、source freshness 检查、多数据源实战
  ›
• 4
  测试（Tests）体系

  unique/not_null/accepted_values/relationships、自定义测试、dbt-expectations
  ›
• 5
  文档（Documentation）

  description 描述、dbt docs generate/serve、血缘图、GitHub Pages 集成
  ›
• 6
  Jinja 与宏（Macros）

  Jinja 模板、macro 定义与调用、dbt_utils 常用宏、var()/env_var()
  ›
• 7
  增量模型（Incremental Models）

  is_incremental()、unique_key MERGE、增量策略、--full-refresh
  ›
• 8
  高级特性：packages / snapshots / seeds

  dbt packages、SCD Type 2 快照、seeds CSV 加载、项目分层规范
  ›
• 9
  与数据仓库集成

  BigQuery/Snowflake/Redshift/DuckDB 配置、dbt Cloud、电商数据模型实战
  ›
• 10
  CI/CD 与生产化

  GitHub Actions、Slim CI state:modified、dbt Artifacts、Airflow 调度
  ›