Um motor de contexto que melhora sozinho

A camada semântica do Basedash é feita de modelos. Um modelo é um dataset SQL reutilizável sobre uma fonte de dados, com metadados semânticos: descrições e sinônimos de colunas, medidas como a receita recorrente mensal, segmentos como assinaturas ativas, uma coluna de tempo padrão, uma granularidade, orientações de uso e relacionamentos com outros modelos. Os modelos aparecem como tabelas virtuais somente leitura, consultadas pelo nome de referência, como models.subscriptions, e toda IA do Basedash recebe as definições e o status de verificação deles ao responder.

Sim, junto com ele. Conecte o warehouse onde o dbt constrói as suas tabelas e o Basedash consulta essas tabelas e views diretamente. As descrições de tabelas e colunas no warehouse, incluindo as que o dbt persiste lá, são lidas automaticamente como contexto para a IA. O Basedash não lê os arquivos de projeto do dbt, então os times costumam construir modelos sobre os seus marts do dbt para adicionar as medidas, os segmentos e os relacionamentos que os agentes usam, e podem gerenciá-los pelo CI com a API REST.

Defina como uma medida em um modelo. Uma medida é uma expressão de agregação nomeada, como SUM(monthly_amount) para a receita recorrente mensal, e um segmento é um filtro nomeado, como status = 'active'. Mantenha o SQL do modelo no nível de linha, uma linha por assinatura por exemplo, e escolha uma coluna de tempo padrão para que a IA possa agrupar a métrica por dia, semana ou mês. Escreva tudo à mão, ou descreva a métrica e deixe a IA rascunhar o SQL, as medidas e os segmentos para você revisar.

Sim. O SQL de um modelo pode limpar, unir, renomear e remodelar tabelas brutas em datasets prontos para análise, e um modelo pode fazer join com outros modelos e tabelas da mesma fonte de dados. Cada modelo roda no dialeto SQL nativo da sua fonte. Para modelar ferramentas SaaS como Stripe e HubSpot juntas, sincronize-as no Basedash Warehouse, onde cada uma chega no próprio schema em uma mesma fonte, e construa os modelos por cima.

Sem modelos, uma IA reconstrói a lógica de negócio a partir das tabelas brutas a cada pergunta, e pequenas diferenças se acumulam: um filtro esquecido, um join errado, receita contada duas vezes. Com modelos, o Basedash entrega aos agentes as medidas, os segmentos, a granularidade, os relacionamentos, os sinônimos e o status de verificação de cada modelo. A IA reutiliza as expressões de medida no SELECT e as de segmento no WHERE, segue os relacionamentos declarados para evitar linhas duplicadas nos joins e prefere modelos verificados quando mais de um poderia responder.

Membros podem ver e editar modelos das fontes de dados que acessam, e as regras de acesso por linha e por objeto continuam filtrando o SQL e os metadados que cada pessoa vê. Toda mudança de SQL ou de metadados semânticos cria uma versão que você pode revisar e restaurar pelo histórico. Só admins da organização podem verificar um modelo, e editar o SQL, as colunas, as medidas, os segmentos ou a coluna de tempo padrão remove a verificação até que um admin revise a nova versão.

Modelos guardam lógica executável: datasets SQL, medidas e segmentos que qualquer query pode reutilizar, para que os números sempre batam. Skills guardam critério: playbooks em linguagem natural, como o jeito que o financeiro reporta receita ou como ler um experimento, que a IA carrega quando um pedido precisa deles. A maioria dos times usa os dois: modelos para o que calcular e skills para como analisar e apresentar.