dbt-llm-agent exploite de grands modèles de langage pour transformer la façon dont les équipes de données interagissent avec les projets dbt. Il permet aux utilisateurs d'explorer et d'interroger leurs modèles de données en anglais simple, de générer automatiquement du SQL à partir d'instructions de haut niveau, et de récupérer instantanément la documentation du modèle. L'agent supporte plusieurs fournisseurs LLM—OpenAI, Cohere, Vertex AI—and s'intègre parfaitement dans l'environnement Python de dbt. Il offre aussi des revues de code pilotées par l'IA, suggère des optimisations pour les transformations SQL et peut générer des tests de modèles pour valider la qualité des données. En intégrant un LLM comme assistant virtuel dans votre flux de travail dbt, cet outil réduit les efforts de codage manuel, améliore la découvrabilité de la documentation et accélère le développement et la maintenance de pipelines de données robustes.

Memor offre un sous-système de mémoire pour les agents de modèles linguistiques, leur permettant de stocker des embeddings d’événements passés, préférences utilisateur et données contextuelles dans des bases de données vectorielles. Elle supporte plusieurs backends tels que FAISS, ElasticSearch et les stockages en mémoire. Grâce à la recherche par similarité sémantique, les agents peuvent récupérer des mémoires pertinentes basées sur des embeddings de requête et des filtres métadonnées. Les pipelines de mémoire personnalisables de Memor incluent le découpage, l’indexation et les politiques d’éviction, assurant une gestion du contexte à long terme et évolutive. Intégrez-la dans le flux de travail de votre agent pour enrichir ses prompts avec un contexte historique dynamique et améliorer la pertinence des réponses lors de multiples sessions.