最后编辑于2026年10月26日
dbt Labs 的 v2 适配器产品经理 Hope Watson 以 19 世纪的铁路隐喻来阐述本次会议：当两条铁路采用不同的轨距时，从技术上讲并无故障，但每次在两者之间进行换乘都会耗费时间和成本。在过去的一年里，dbt v1 和 dbt v2 一直作为两个独立的代码库并行运行；对于任何一项功能，团队都不得不等待它先在哪个引擎中落地。
沃森的演讲介绍了 dbt Labs 如何在无需让用户自行承担“迁移成本”的情况下弥合这一差距。其核心解决方案在于架构层面：dbt 已将 v1 和 v2 中存在重叠的部分开源，从而使整个生态系统随着时间推移逐步统一为单一引擎、单一二进制文件，尽管迁移过程本身仍需数年时间。
为使升级在当下更具可行性，dbt 在 v1.12 中内置了 v2 解析器，使团队能够在决定切换之前先行检查兼容性；此外，还提供了一个 dbt 自动修复弃用功能的命令，在一次现场演示中约五分钟内解决了 22 个被标记的问题。截至本次演讲前一天，v2 已在大多数适配器上实现普遍可用。
适配器拥有自己的独立模块，正如沃森所称的 dbt 的“秘密基石”：这一层使截然不同的数据库（Snowflake 将标识符转为大写，Postgres 则转为小写；Snowflake 拥有三种时间戳类型，而 BigQuery 只有两种）在 dbt 内部呈现出一致的外观。在 dbt v1 中，每个适配器都独立存放在各自的代码仓库中，并拥有自己的依赖链，这意味着安装第二个适配器可能会悄然降级 dbt 核心版本，或引入相互冲突的 SDK。
在 dbt v2 中，适配器与引擎一同打包在同一二进制文件中，并基于 ADBC 驱动程序标准构建的共享层上运行，因此多个适配器——已在 Snowflake 和 Databricks 上现场演示——能够协同安装并运行，而不会产生版本冲突。
解析性能的提升在一项由1,800个模型、72个YAML文件组成的合成项目中得到了直观对比：v1版本的解析耗时约为10至13秒，而v2版本仅需约3秒。在错误检测方面，对于单个SQL拼写错误的捕捉，在OSS版本（需要往返仓库）上大约耗时1.5秒，而在dbt的完整版本（可直接理解SQL）上则仅为0.06秒。
这款新式代码检查工具演示了如何捕获并自动修复违反小写格式的规则，其运行速度被称比其他代码检查工具快50至100倍。Docs v2用小型且可查询的Parquet文件取代了原先那个庞大臃肿的manifest.json文件（在同一个1,800模型的项目中，该文件几乎有五十万行JSON代码）。
在演示中，Watson 使用 Claude 针对这些文件编写了临时查询，其中包括列级血缘关系查询，以及一项“爆炸半径”查询，用于显示单个上游列重命名时所影响的每个下游模型——这种影响分析若非借助工具，通常需要手动解析庞大的 JSON 文件。重新设计的文档 UI 还新增了 DAG 分组视图。
随时观看 dbt Summit 2026 的每一场主题演讲和分论坛。立即观看 dbt Summit 2026 →
在 dbt 中开始使用
加入那些正在构建真正可扩展的数据基础设施的分析工程师团队。
安装 dbt Wizard CLI
立即开始使用专为分析工程打造的智能代理。它懂得调用哪个工具、提取哪些上下文，并在向您呈现结果前自行核查工作。
最新帖子
使用 dbt State 优化您的运行，以实现更低的计算成本、更实时的数据和更快的迭代
2026年10月26日
展示我们的工作：一项关于情境工程的受控实验
2026年10月26日
从提示到PR：Careem的AI如何在人类看到之前编写并验证dbt模型
2026年10月26日
加入塑造数据的最大社区
dbt 社区是您通往最佳实践、创新以及与全球数千名数据领袖和 AI 从业者直接协作的门户。提出问题、分享洞见，与专家一道打造更优方案。