Como estruturar projetos dbt com IA de forma clara e reprodutível

A estrutura proposta no artigo-fonte não é só um 'repositório com IA', mas uma arquitetura de governança de dados para agentes: o CLAUDE.md é o primeiro artefato de linhagem explícita para IA, e as pastas .claude/commands/ e .claude/skills/ transformam comportamentos de LLMs em componentes versionáveis, como se fossem UDFs ou macros dbt. Isso alinha-se diretamente ao conceito de Desenvolvimento Orientado por Prompts Estruturados (SPDD), já coberto pelo CEVIU: prompts deixam de ser anotações soltas e viram artefatos com histórico, testes e responsabilidade definida.

O que muda tecnicamente é a camada de contexto: convenções de SQL, YAML e CI não são mais implícitas no time, estão carregadas sob demanda como ‘context engineering’ para a IA, dentro do repositório. Isso reduz o orçamento de atenção do modelo, evitando alucinações causadas por descrições faltantes em modelos dbt. E a integração com a Camada Semântica (dbt Semantic Layer + MetricFlow) é o próximo passo natural: quando os prompts usam métricas governadas, não só o SQL gerado é válido, como também semanticamente correto, algo que testes de abril de 2026 mostraram atingir quase 100% de acurácia em consultas ad-hoc.

Em abril de 2026, o CEVIU destacou o SPDD como método emergente, mas ainda teórico, focado em versionar prompts. Agora, em junho de 2026, essa ideia virou prática operacional: os comandos em .claude/commands/ são prompts versionados com contrato claro (ex: /explain-model espera um nome de modelo e retorna descrição + dependências upstream), e os .claude/skills/ são scripts reutilizáveis que validam saída contra padrões, como um revisor de código que aplica .sqlfluff e checa nomenclatura antes mesmo do commit. O que era princípio virou pipeline.

Projetos dbt com IA não falham por falta de poder computacional, mas por falta de infraestrutura de contexto. A pesquisa da dbt Labs em abril de 2026 mostra que 71% dos profissionais priorizam velocidade, mas 83% dizem que confiança nos dados é sua maior preocupação. Essa estrutura resolve os dois lados: acelera desenvolvimento com IA *e* garante que cada linha de SQL gerada tenha rastreabilidade, conformidade com políticas e ligação explícita à Camada Semântica. É engenharia de dados aplicada à IA, não o contrário.