dbt+SQLServer构建数据仓库(9)：用Vibe Coding创建一个DBT UI

dbt+SQLServer构建数据仓库(9)：用Vibe Coding创建一个DBT UI

本文以一个完整的销售数据仓库项目为例，演示如何通过我自己用Vibe Coding写的一个 DBT UI 可视化工具，配合底层 dbt 引擎，在 SQL Server 上快速搭建一套 stage → core → mart 三层分库的数据仓库。

一、为什么需要可视化的 dbt？

dbt（data build tool）是数据领域最流行的转换层工具之一，它让数据分析师和工程师可以用「写 SQL + 版本控制」的方式构建数据仓库。但 dbt 本质上是命令行工具，对不熟悉 CLI 的同学有一定门槛，而且项目配置、模型管理、血缘查看等操作散落在各个 YAML 和 SQL 文件中。

DBT UI 正是为了解决这个问题而生------它把 dbt 的核心能力封装成了一个 Web 界面：

• 项目创建、分层配置、Source 管理全部可视化
• 模型 SQL 在线编辑，保存即解析
• 一键运行，实时日志推送
• DAG 血缘图直观展示数据流向
• 运行历史和日志随时回溯

这个工具是我用Vibe Coding写的，火山引擎此时在打折所以体验了下，为了生图方便，环境我又选择回了Trae CN + Doubao-Seed-2.1-Turbo。并没有继续用VSCode+ClaudeCode+DeepSeek V4 Flash，主要还是想看下这半年字节的进化速度，同时也是想使用多模态模型做UAT相关的操作和验证。

这个项目的github地址：< https://github.com/microsoftbi/DBTUI 。当然我也建议你可以自己用Vibe> Coding做一个，以此熟悉Vibe Coding的环境以及dbt的操作。

下面我们用一个销售数据仓库的完整案例，看看它是怎么工作的。

二、整体架构：三层物理分库

我们采用经典的 三层分库架构，每一层对应 SQL Server 上一个独立的物理数据库：

sales_db（源系统） → stage_db（贴源层） → core_db（核心层） → mart_db（应用层）

层级	数据库	物化方式	职责
Source	sales_db	---	业务系统原始数据
Stage	stage_db	table	1:1 贴源加载，字段规范化
Core	core_db	table	维度建模，维度表 + 事实表
Mart	mart_db	table	面向业务的宽表，供报表使用

SQL Server 原生支持跨库查询（database.schema.table），dbt 通过 {{ source() }} 和 {{ ref() }} 自动处理跨库引用，开发者完全不用关心物理位置。

三、第一步：创建项目

打开 DBT UI，首页是项目列表。点击右上角「新建项目」。

填写项目信息，选择 sqlserver 适配器：

点击确定后，系统会自动完成：

1. 创建 dbt 项目脚手架（models/staging、models/core、models/marts 等目录）
2. 生成 SQL Server 连接配置（profiles.yml）
3. 配置三层分库（dbt_project.yml 中按目录分配 database）
4. 执行首次 dbt parse 解析

dbt parse 是做什么的？

dbt parse 会扫描整个项目的 SQL 和 YAML 文件，解析 {{ ref() }}、{{ source() }}、{{ config() }} 等 Jinja 表达式，构建模型间的依赖关系（DAG），最终生成一份 manifest.json 项目清单。它不连接数据库、不执行 SQL，只做"编译"和语法校验。

DBT UI 上展示的模型列表、DAG 图、测试列表、Source 列表等所有信息，都来自这份 manifest。所以每次新建/修改模型、Source 或分层配置后，系统都会自动重新 parse，把最新状态同步到界面上。

几秒钟后，项目就出现在列表中了。

四、分层配置：可视化管理 dbt_project.yml

项目创建时已经默认配好了三层，但你随时可以通过「分层配置」按钮来调整：

每一行对应 dbt_project.yml 中 models 下的一个目录配置，可以设置目标数据库、Schema、物化策略等。修改保存后系统会自动重新解析，完全不用手动编辑 YAML。

五、配置源系统（Sources）

源数据在 sales_db 数据库中，包含 customer、product、salesorder 三张表。我们需要告诉 dbt 这些源表的位置。

切换到「Sources」标签页，点击「新建 Source」：

填写 Source 名称、数据库、Schema 等信息：

创建后，在 Source 详情页添加三张源表：

这样，在模型 SQL 中就可以用 {{ source('sales_db', 'customer') }} 来引用源表了。

六、Stage 层：贴源加载

Stage 层是数据仓库的入口，负责从源系统 1:1 加载数据，做字段命名规范化，默认以表形式物化到 stage_db。

点击「新建模型」，选择「Stage 层」，编写 SQL：

SELECT
    customer_id,
    customer_name,
    gender,
    age,
    city,
    create_date
FROM {{ source('sales_db', 'customer') }}

用同样的方式创建 stg_product 和 stg_salesorder。完成后 Stage 层模型列表如下：

点击「运行」按钮，选择运行类型和表达式，即可执行 dbt run：

运行过程中日志实时推送：

运行成功后，stage_db 中就创建好了对应的视图。

七、Core 层：维度建模

Core 层采用维度建模，将数据组织为维度表和事实表，写入 core_db，以表形式物化。

我们创建三个模型：

模型	类型	上游依赖
dim_customer	维度表	stg_customer
dim_product	维度表	stg_product
fact_sales	事实表	stg_salesorder

以 fact_sales 为例，只取已完成的订单作为销售事实：

SELECT
    s.order_id,
    s.order_date,
    s.customer_id,
    s.product_id,
    s.quantity,
    s.unit_price,
    s.amount,
    s.status
FROM {{ ref('stg_salesorder') }} s
WHERE s.status = 'completed'

注意这里用的是 {{ ref('stg_salesorder') }} 而不是 source()。dbt 会自动识别 stg_salesorder 在 stage_db，fact_sales 在 core_db，并生成正确的跨库 SQL。

八、Mart 层：应用宽表

Mart 层面向具体业务场景，通常构建大宽表直接供报表使用。我们创建一张 sales_wide 宽表，关联事实表和所有维度：

SELECT
    f.order_id,
    f.order_date,
    f.customer_id,
    c.customer_name,
    c.gender,
    c.age,
    c.city,
    f.product_id,
    p.product_name,
    p.category,
    p.price,
    f.quantity,
    f.unit_price,
    f.amount,
    f.status
FROM {{ ref('fact_sales') }} f
LEFT JOIN {{ ref('dim_customer') }} c ON f.customer_id = c.customer_id
LEFT JOIN {{ ref('dim_product') }} p ON f.product_id = p.product_id

这个模型会被物化到 mart_db 中。

九、DAG 血缘图：一眼看清数据流向

切换到 DAG 标签页，完整的数据流向一目了然：

• 🔵 蓝色节点：model（模型）
• 🟢 绿色节点：source（源表）
• 🟡 橙色节点：test（测试）

点击任意节点，可以高亮它的完整血缘链路。比如 sales_wide 的血缘：

从图中可以清晰看到数据从 sales_db 源表 → stage_db 贴源 → core_db 维度建模 → mart_db 宽表的完整路径。

十、数据测试：保障数据质量

dbt 不仅能构建模型，还能做数据质量测试。切换到 Tests 标签页，可以创建和管理测试：

比如我们创建一个测试，验证销售金额必须为正数：

SELECT *
FROM {{ ref('sales_wide') }}
WHERE amount <= 0

测试的逻辑很简单：如果 SQL 返回任何行，说明存在异常数据，测试失败。运行测试后就能知道数据是否符合预期。

十一、运行历史：随时回溯

所有运行记录都保存在「运行历史」标签页中，包括运行类型、选择表达式、状态、开始时间等：

点击「查看日志」可以查看完整的运行日志，方便排查问题。

十二、总结

通过 DBT UI，我们用纯可视化的方式完成了一个完整的数据仓库项目：

1. 项目创建 --- 一键生成脚手架和三层分库配置
2. Source 管理 --- 可视化定义源系统表
3. 三层建模 --- Stage 贴源、Core 维度建模、Mart 宽表，每层独立数据库
4. DAG 血缘 --- 直观展示跨库数据流向
5. 数据测试 --- 保障数据质量
6. 运行历史 --- 完整的执行记录和日志

底层由 dbt 驱动，保证了工程化能力（版本控制、增量构建、测试框架等）；上层由 DBT UI 提供可视化操作，降低了使用门槛，也提升了日常开发效率。

如果你正在使用 SQL Server 并考虑引入 dbt，不妨试试 DBT UI，让数据仓库构建变得更简单。