Okta dùng dbt làm nguồn dữ liệu chuẩn để quản trị ngữ cảnh cho AI agent
Okta đã thiết kế lại cách quản lý thông tin mà các AI agent sử dụng, lấy dbt làm nguồn dữ liệu chuẩn được quản trị cho các định nghĩa nghiệp vụ và hướng dẫn. Đội ngũ khoảng 13 kỹ sư phân tích của công ty nhận thấy xây dựng agent dễ hơn nhiều so với việc bảo đảm agent tiếp cận được ngữ cảnh đáng tin cậy, luôn cập nhật và tạo ra câu trả lời có thể kiểm chứng. Hệ thống ban đầu của Okta dùng các semantic view, tức lớp mô tả dữ liệu và chỉ số nghiệp vụ, được cấu hình trực tiếp trong Snowflake rồi kết nối với các agent Snowflake Cortex. Tuy nhiên, những định nghĩa này tách rời khỏi các model dbt chứa logic nghiệp vụ cốt lõi của công ty. Nhóm phát hiện ba vấn đề lớn: ngữ cảnh bị phân mảnh, khó kiểm tra lịch sử thay đổi và toàn bộ hướng dẫn cho agent bị gộp vào một khối không phân biệt, dẫn đến dữ liệu khó khám phá, định nghĩa không nhất quán và các nhóm phải làm lại cùng một công việc. Framework mới gồm ba lớp: hướng dẫn ở cấp model và cột trong YAML của dbt, các quy tắc chung và theo lĩnh vực trong tài liệu Markdown, cùng các semantic view được quản trị trong dbt và kiểm duyệt qua quy trình pull request thông thường. Framework này đồng bộ thông tin vào Agents Schema, một chuẩn metadata mở, để các sản phẩm như Claude và Snowflake Cortex cùng sử dụng một nguồn ngữ cảnh nền dù truy cập qua các giao diện khác nhau. Trên thực tế, một thay đổi được hợp nhất trong dbt có thể cải thiện mọi agent được kết nối mà không cần sửa nhiều cấu hình khó kiểm tra; Okta cũng dự định bổ sung các bài kiểm thử tự động, đối chiếu câu trả lời với truy vấn đã xác minh để đo độ chính xác. Cách tiếp cận này đáng chú ý vì coi ngữ cảnh—các định nghĩa và quy tắc mà agent dựa vào—là hạ tầng dữ liệu dùng chung thay vì một thiết lập riêng của từng sản phẩm.
Các đội dữ liệu và phát triển agent có thể tham khảo mô hình của Okta: quản lý định nghĩa nghiệp vụ, quy tắc và hướng dẫn cho agent trong dbt, kiểm duyệt bằng pull request rồi dùng chung cho nhiều agent. Người dùng doanh nghiệp nên chú ý rằng chất lượng câu trả lời phụ thuộc nhiều vào dữ liệu và ngữ cảnh được quản trị hơn là chỉ chọn một mô hình AI mạnh.
Đọc bài gốc