Cover of Business Intelligence with Agents, edition 2026.11.15, code 28XD-AHKT Business Intelligence with Agents 28XD-AHKT 15 editions since Nov 2026 Rolling Edition 2026.11.15

Business Intelligence con agentes

Edición 2026.11.15 Ejemplos verificados el 19 de nov de 2026 78 de 78 ejemplos pasan Qué ha cambiado

Traducido con IA. Verificado por personas en inglés. Cómo hacemos los libros

Traducido del libro en inglés, edición 2026.11.15. Lee el original

Agentes que convierten preguntas de negocio en conclusiones fiables, a partir de tu almacén de datos: contexto por capas, métricas gobernadas en una capa semántica, SQL protegido, respuestas que indican cuándo no pueden darse, reglas de acceso que el agente no puede sortear con palabras, y evaluación con tus propias preguntas de oro, servidos mediante MCP, todo sobre DuckDB, sqlglot y MetricFlow.

Para quién es Para ingenieros de analítica, desarrolladores de BI y científicos de datos que escriben SQL, conocen su almacén de datos y se les ha pedido que permitan a las personas hacer preguntas a los datos, con un asistente que da el número correcto.

Empieza a leer
Historial de ediciones15 ediciones desde noviembre de 2026Cada edición y lo que cambió
2026.11.12026.11.15
2026.11.15 · 21 de nov de 2026Corrección de prosa,Contenido nuevo37 secciones modificadas

Contenido

11 capítulos, unos 5 horas 13 minutos de lectura, con 78 ejemplos.

  1. 1Un agente de datos de principio a fin

    Al final de este capítulo, serás capaz de construir el almacén de datos de la tienda, pedir a un modelo de lenguaje grabado que escriba SQL para una pregunta de negocio, ejecutar ese SQL y detectar el número incorrecto que devuelve, responder la misma pregunta a partir de una única métrica definida, y evaluar ambos enfoques con cinco preguntas doradas.

  2. 2Where raw text-to-SQL gets the number wrong

    By the end of this chapter, you can name the five ways schema-only text-to-SQL returns a plausible wrong number on a real warehouse, show each one on the shop's warehouse, count them across a set of golden questions, and tell which a better prompt can fix and which need definitions the schema doesn't hold.

  3. 3Construye preguntas doradas a partir de tu propio trabajo

    Al terminar este capítulo, podrás escribir preguntas doradas a partir de las preguntas que hacen las personas de tu negocio, cada una con su SQL dorado, el rol que la formula y el tipo de respuesta que necesita.

  4. 4Give the agent layered context

    By the end of this chapter, you can give a model that writes SQL more than the schema, in layers: notes on columns whose names mislead, a glossary of the shop's business terms, and verified queries retrieved for each question.

  5. 5Define metrics once in a semantic layer

    By the end of this chapter, you can write the shop's semantic models and metrics in MetricFlow's YAML spec, compile a metric request to SQL with the book's own compiler, show that its entity joins can't fan out, group by the fiscal calendar, and confirm that MetricFlow compiles the same definitions to the same results.

  6. 6Enruta las preguntas primero a métricas gobernadas

    Al final de este capítulo, podrás darle al agente las métricas de la capa semántica como herramientas en lugar de las tablas del almacén de datos; hacer que devuelva una solicitud de métrica estructurada que se valida antes de ejecutar nada; hacer que te pregunte de vuelta cuando una pregunta pueda referirse a varias métricas; y medir el cambio en las preguntas doradas.

  7. 7Let the agent write SQL inside guards

    By the end of this chapter, you can handle the questions no metric covers by letting the agent write SQL that runs read-only on a database holding only the rows and columns its role may read, and that is parsed, checked against an allowlist of tables, bounded in rows, size, cost and time, repaired once from an error, and transpiled to your warehouse's dialect.

  8. 8Di cuándo no se puede dar la respuesta

    Al terminar este capítulo, podrás hacer que negarse a responder sea una respuesta de primera clase: distinguir las preguntas que el almacén no puede responder de las que sí puede, rechazar una pregunta con un motivo de un tipo conocido, comprobar que los datos del periodo consultado han llegado, mostrar la procedencia de cada respuesta y medir las negativas con precisión y exhaustividad, de modo que el agente ni adivine ni rechace con demasiada frecuencia.

  9. 9Mantén al agente dentro de los límites de quién puede ver qué

    Al final de este capítulo, podrás aplicar los filtros de filas, las máscaras de columnas y el tamaño mínimo de grupo de cada rol por debajo del agente, en la propia base de datos del rol, con la reescritura en la capa semántica y el guardia como defensa en profundidad, de modo que ningún prompt pueda ampliar el acceso.

  10. 10Juzga respuestas y detecta regresiones

    Al final de este capítulo, podrás calificar una ejecución del agente con varias medidas a la vez, usar un modelo como juez solo donde los resultados no se puedan comparar directamente, calibrar ese juez frente a etiquetas de referencia que cualquiera pueda recalcular, ver cuánto se mueve una puntuación de una ejecución a la siguiente, y usar en CI una puerta de control para los cambios en los prompts, el contexto o las métricas, basada en ejecuciones registradas.

  11. 11Serve the semantic layer over MCP

    By the end of this chapter, you can serve the shop's governed metrics as MCP tools that answer for the role the server was built for, return each answer with its provenance as structured data, test the server in memory, and run the book's agent through it as a host.

Cita esta sección

Formato

Cada formato cita el libro en inglés, que esta traducción sigue.

Cada formato nombra esta edición. Su enlace abre la edición actual, donde el encabezado de cada sección indica cuándo cambió su texto por última vez. Las fechas de acceso y de recuperación son el día en que lo abres.