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 com Agentes

Edição 2026.11.15 Exemplos aprovados em 19 de nov de 2026 78 de 78 exemplos passam O que mudou

Traduzido com IA. Verificado por pessoas em inglês. Como fazemos os livros

Traduzido do livro em inglês, edição 2026.11.15. Leia o original

Agentes que transformam perguntas de negócio em insights confiáveis, a partir do seu data warehouse: contexto em camadas, métricas governadas em uma camada semântica, SQL protegido, respostas que informam quando não podem ser dadas, regras de acesso que o agente não consegue contornar com argumentos, e avaliação com as suas próprias perguntas de referência (golden questions), servidos via MCP, tudo sobre DuckDB, sqlglot e MetricFlow.

Para quem é Para engenheiros de analytics, desenvolvedores de BI e cientistas de dados que escrevem SQL, conhecem o seu data warehouse e receberam o pedido de permitir que as pessoas façam perguntas aos dados, com um assistente que acerte o número.

Comece a ler
Histórico de edições15 edições desde novembro de 2026Cada edição e o que ela mudou
2026.11.12026.11.15
2026.11.15 · 21 de nov de 2026Correção de texto,Conteúdo novo37 seções alterado(s)

Sumário

11 capítulos, cerca de 6 horas 11 minutos de leitura, com 78 exemplos.

  1. 1Um agente de dados de ponta a ponta

    Ao final deste capítulo, você será capaz de construir o armazém de dados da loja, fazer com que um modelo de linguagem com respostas gravadas escreva SQL para uma pergunta de negócio, executar esse SQL e identificar o número errado que ele retorna, responder à mesma pergunta a partir de uma métrica definida e avaliar as duas abordagens com cinco perguntas de referência.

  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. 3Crie perguntas de referência a partir do seu próprio trabalho

    Ao final deste capítulo, você será capaz de escrever perguntas de referência a partir das perguntas que as pessoas do seu negócio fazem, cada uma com seu SQL de referência, o papel de quem a faz e o tipo de resposta que ela exige.

  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. 6Encaminhe as perguntas primeiro para métricas governadas

    Ao final deste capítulo, você poderá oferecer ao agente as métricas da camada semântica como ferramentas, em vez das tabelas do armazém; fazer com que ele devolva uma requisição de métrica estruturada, validada antes de qualquer execução; fazer com que ele pergunte de volta à pessoa quando uma pergunta puder se referir a várias métricas; e medir a mudança nas perguntas de referência.

  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. 8Diga quando a resposta não pode ser dada

    Ao final deste capítulo, você será capaz de tratar a recusa como uma resposta de primeira classe: distinguir as perguntas que o data warehouse não consegue responder daquelas que consegue, recusar com um motivo de um tipo conhecido, verificar se os dados do período consultado já chegaram, mostrar a proveniência por trás de cada resposta e medir as recusas com precisão e revocação, para que o agente nem adivinhe nem recuse com frequência excessiva.

  9. 9Mantenha o agente dentro do que cada papel pode ver

    Ao final deste capítulo, você será capaz de aplicar os filtros de linhas, as máscaras de colunas e o tamanho mínimo de grupo de cada papel abaixo do agente, no próprio banco de dados do papel, com a reescrita na camada semântica e o guarda como defesa em profundidade, de modo que nenhum prompt consiga ampliar o acesso.

  10. 10Julgue respostas e detecte regressões

    Ao final deste capítulo, você será capaz de pontuar uma execução do agente em várias medidas ao mesmo tempo, usar um modelo como juiz apenas onde os resultados não podem ser comparados diretamente, calibrar esse juiz com rótulos de referência que qualquer pessoa pode recalcular, verificar o quanto uma pontuação varia de uma execução para outra e barrar, no CI, com base em execuções gravadas, uma mudança em prompts, contexto ou métricas que piore os resultados.

  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.

Citar esta seção

Formato

Cada formato cita o livro em inglês, que esta tradução acompanha.

Todos os formatos citam esta edição. Seu link abre a edição atual, em que o título de cada seção indica quando seu texto foi alterado pela última vez. As datas de acesso e de recuperação são o dia em que você abre esta página.