Ir para conteúdo
be-human.ai
← Voltar ao blog

Ferramentas e integrações

Agente de IA e integração com data warehouse: leitura e rastreabilidade

Como conectar um agente de IA ao data warehouse com identidade só de leitura, lista de tabelas permitidas, notas de linhagem e um dono para cada consulta.

Capa tipográfica do Be Human com o título: Agente de IA e integração com data warehouse: leitura e rastreabilidade
Ilustração conceitual criada com IA · Be Human

Para conectar um agente de IA a um data warehouse com segurança, dê a ele uma identidade de serviço própria, com acesso somente de leitura a um conjunto nomeado de views curadas, exponha essas views por meio de poucas ferramentas estreitas, com entradas e saídas definidas, e anexe a cada resposta uma nota de linhagem para que as pessoas vejam de onde veio cada número. Comece com uma pergunta que sua equipe já responde manualmente e amplie o acesso só depois que as respostas do agente baterem com o que o warehouse retorna em um conjunto de teste conhecido. Isso constrói a camada de ferramentas da qual sistemas mais capazes vão depender depois, então os controles que você define agora continuam úteis quando o agente assumir mais trabalho.

Principais pontos

  • Dê ao agente uma role própria no warehouse, com leitura apenas em schemas nomeados, nunca uma role de administrador nem as credenciais de uma pessoa.
  • Exponha os dados por meio de um conjunto pequeno de ferramentas estreitas, com parâmetros tipados, limite de linhas e tempo máximo de execução, e não por SQL livre.
  • Anexe a cada resposta uma nota de linhagem que informe os objetos lidos, o horário da última atualização, os filtros aplicados e a identidade usada.
  • Mantenha as escritas fora da primeira fase. Qualquer escrita futura passa por um caminho revisado e com um dono definido.
  • Avalie o agente pela coincidência entre suas respostas e consultas diretas e revisadas, feitas sobre um conjunto fixo de perguntas com respostas conhecidas.

Por que o warehouse é a primeira camada certa de ferramentas

A maioria das equipes de dados já guarda no warehouse as definições em que o negócio confia: tabelas modeladas, views curadas e a lógica por trás dos painéis que a liderança lê toda semana. Um agente que lê esses objetos herda esse trabalho, em vez de recriar a lógica das métricas dentro de um prompt. As perguntas são concretas, os dados são estruturados e os resultados podem ser conferidos com números que a equipe já considera confiáveis, o que torna o warehouse um ponto de partida sensato.

Ele também mantém o risco contido. Warehouses têm modelos de permissão maduros, com roles, schemas e grants que os engenheiros de dados já mantêm e auditam. O agente passa a ser mais uma identidade governada dentro de um sistema que você controla, em vez de um novo canal de acesso direto aos sistemas operacionais de origem.

O warehouse, porém, não é o lugar certo para tudo. Fatos que mudam a cada minuto, ou registros que existem só dentro de um aplicativo de fornecedor, podem exigir uma integração própria. Defina essa fronteira antes de construir, para que ninguém presuma depois que o agente enxerga dados que não deveria ver.

Configure uma identidade somente leitura antes de criar qualquer ferramenta

Comece pela identidade, porque todos os controles posteriores dependem dela. Os passos abaixo funcionam como um plano que você pode entregar ao seu engenheiro de dados.

  • Crie uma identidade de serviço dedicada ao agente, separada de qualquer conta de funcionário e de qualquer role de administrador.
  • Conceda leitura apenas sobre as views ou schemas curados necessários para a primeira pergunta, e nada além disso.
  • Exclua campos brutos de contato de clientes, dados de pagamento e qualquer schema que guarde credenciais ou segredos internos.
  • Defina um tempo máximo de execução e um teto de custo ou de varredura para essa identidade, para que uma consulta descontrolada pare sozinha.
  • Guarde a credencial no gerenciador de segredos, troque-a em uma agenda definida e confirme que toda consulta fica registrada sob essa identidade.
  • Revise os grants sempre que um schema for renomeado, dividido ou desativado.

O princípio por trás desses passos é o menor privilégio: o agente recebe o menor acesso que ainda responde à sua pergunta. O raciocínio está detalhado em permissões mínimas para agentes de IA, e a versão para banco de dados desse mesmo padrão está em conectar agente de IA ao banco de dados somente com leitura.

Projete ferramentas, não uma porta aberta para SQL

O acesso a SQL livre é tentador porque pode responder quase qualquer coisa. Também é difícil de limitar. Um padrão mais seguro é um pequeno conjunto de ferramentas nomeadas, cada uma com um propósito claro, parâmetros validados e um formato de saída fixo. Uma ferramenta que retorna a contagem semanal de pedidos por região pode aceitar o código de uma região de uma lista curta, uma data inicial e uma data final, limitar o número de linhas e devolver os nomes dos campos com suas unidades. O agente escolhe a ferramenta e preenche os parâmetros; ele não escreve a consulta.

Boas definições de ferramentas também ajudam o modelo a escolher corretamente. A orientação de engenharia da Anthropic sobre como escrever ferramentas para agentes defende poucas ferramentas, com escopo bem definido, em vez de ferramentas amplas, e a mesma lógica vale para o acesso ao warehouse. Para um tratamento mais completo de entradas e saídas, veja contratos de ferramentas de IA: entradas e saídas úteis.

Mantenha SQL bruto fora da primeira versão. Se mais adiante a equipe precisar dele para um papel específico, adicione-o como uma ferramenta separada, com grant próprio, revisão própria e um registro próprio de linhagem.

Cenário ilustrativo: um líder de operações comerciais quer saber quais regiões ficaram abaixo da meta de renovações no mês passado. A equipe cria uma ferramenta que lê uma view curada de renovações, aceita uma região e um mês, retorna no máximo um número fixo de linhas e anexa à resposta o nome da view e a data da última atualização. O agente não consegue ver a tabela bruta de contratos nem alterar a view.

Escreva notas de linhagem que o negócio consiga ler

Uma nota de linhagem é um registro curto e estruturado, anexado a cada resposta, que explica de onde a resposta veio. Ela não é o mesmo que um log. O log ajuda um engenheiro a depurar uma falha. A nota de linhagem ajuda um gestor a decidir se confia em um número. Uma nota útil contém:

  • Os objetos do warehouse lidos, como os nomes das views curadas, e não apenas as tabelas de origem por trás delas.
  • O horário da última atualização desses objetos, para que um dado desatualizado fique visível para quem lê.
  • Os filtros e parâmetros aplicados, descritos em linguagem simples.
  • A identidade que executou a consulta e a versão da ferramenta que produziu o resultado.
  • O número de linhas retornadas e se o limite de linhas cortou o resultado.

Use sempre o mesmo formato de bloco, para que os revisores aprendam a lê-lo rapidamente. Por trás disso, cada chamada de ferramenta também deve carregar um identificador de correlação, que permite a um engenheiro rastrear uma reclamação até a requisição exata. A introdução à observabilidade da OpenTelemetry explica os traces, spans e sinais que muitas equipes usam para esse tipo de rastreamento.

Teste as respostas contra o warehouse antes que alguém dependa delas

Antes de o agente responder perguntas reais, monte um pequeno conjunto de teste cujas respostas corretas você já conhece, normalmente porque alguém da equipe já as conferiu. Rode o agente nesse conjunto depois de cada mudança nas ferramentas, nos schemas ou no modelo subjacente. Uma aprovação significa que o agente retorna os mesmos números de uma consulta direta e revisada e cita a view correta na nota de linhagem.

Inclua perguntas que o agente deve recusar ou encaminhar, como um pedido de dados de contato de um cliente específico ou uma pergunta sobre uma tabela que ele não pode ler. Um agente bem comportado diz que não pode responder e indica o dono a ser contatado. Trate também qualquer texto livre devolvido por uma linha do warehouse como dado, nunca como instrução, porque um campo de comentário pode conter frases que parecem comandos.

Defina o que o agente nunca faz sozinho

Na primeira fase, o agente lê e explica. Seus limites devem ser escritos antes do lançamento:

  • Responder com base em views curadas e com notas de linhagem anexadas: o agente pode responder diretamente.
  • Propor uma alteração em uma consulta, em uma view ou em um chamado de qualidade de dados: o agente rascunha, e um dono dos dados revisa antes de qualquer movimento.
  • Escrever em qualquer tabela de relatórios ou do warehouse: não na primeira fase. Depois, exige um dono definido, uma etapa de aprovação e um caminho de escrita desenhado para que uma nova tentativa não duplique um registro.
  • Alterar grants, schemas ou definições de ferramentas: o agente nunca faz isso. Só pessoas alteram esses itens, pelo processo normal de mudança.

Esses limites importam mais à medida que o agente melhora, porque capacidade e autoridade devem crescer em etapas separadas.

Mantenha a camada de ferramentas em revisão conforme o warehouse muda

Warehouses mudam. Colunas são renomeadas, modelos são reconstruídos e equipes se reorganizam. Cada mudança pode quebrar uma ferramenta em silêncio ou ampliar um acesso que ninguém pretendia. Coloque a revisão dos grants, o conjunto de teste e as notas de linhagem em um calendário recorrente, e nomeie um dono que receba os alertas quando uma ferramenta falhar ou uma view for desativada.

A Be Human desenha essa camada como parte de um papel bem definido. O primeiro projeto estabelece a pergunta útil, as views e ferramentas que o agente precisa, os limites de aprovação e uma verificação de sucesso observável. Na operação gerenciada, a Be Human pode monitorar falhas de ferramentas e notas de linhagem, executar avaliações recorrentes contra o conjunto de teste, revisar as permissões do agente, manter as integrações quando os schemas mudam, responder a incidentes e fazer melhorias controladas pelo mesmo fluxo de aprovação. O trabalho é remoto e disponível em inglês ou português.

Se você ainda não tem certeza de qual pergunta do warehouse deve ir primeiro para um agente, o diagnóstico gratuito de IA da Be Human ajuda a encontrar a primeira tarefa que vale a pena delegar.

Perguntas frequentes

O agente deve consultar tabelas brutas do warehouse ou views curadas? As views curadas são o melhor ponto de partida, porque já incorporam as definições de negócio que sua equipe acordou e podem ser revisadas e atualizadas em um único lugar. Tabelas brutas podem ser adicionadas depois para papéis específicos, mas cada uma precisa de grant próprio, exclusões próprias para dados pessoais e um registro próprio de linhagem.

Uma conta de banco somente leitura já torna o agente seguro? O acesso somente leitura é necessário, mas não suficiente. Ele bloqueia escritas no nível do banco, mas não impede o agente de ler dados que uma pessoa não deveria ver, de retornar linhas demais ou de repetir conteúdo sensível em uma resposta. Combine o grant com ferramentas estreitas, limites de linhas, exclusão de campos e um conjunto de teste que inclua recusas.

Em que a nota de linhagem difere dos logs de aplicação? Os logs registram eventos para que engenheiros possam depurar, e muitas vezes são escritos em formatos que gestores não conseguem ler com facilidade. A nota de linhagem é um registro curto, anexado a uma resposta específica, que informa os objetos lidos, a data da última atualização, os filtros aplicados e a identidade usada. Mantenha os dois: os logs apoiam a resposta a incidentes, e as notas de linhagem apoiam a confiança em cada resposta.

Quando uma equipe deve considerar deixar o agente escrever no warehouse? Considere isso só depois que o uso de leitura estiver estável, o conjunto de teste for aprovado de forma consistente e um dono nomeado aceitar o caminho de escrita. As escritas devem passar por uma ferramenta definida, com validação, etapa de aprovação e desenho idempotente, para que uma nova tentativa não crie um duplicado. Até lá, o agente rascunha a mudança e uma pessoa a aplica.

Seu próximo passo

Descubra primeiro onde um agente de IA cabe na sua empresa.

Faça o diagnóstico gratuito de IA da Be Human. Algumas perguntas sobre o seu trabalho mostram qual tarefa entregar primeiro a um agente, o que ele precisa saber e onde uma pessoa aprova.

Orientação editorial Be Human. Exemplos são ilustrativos, salvo atribuição explícita. Fontes oferecem contexto; a implementação depende do seu processo.

Menos tarefas. Mais espaço para você.

Traga o trabalho para o qual falta tempo.

Agende uma conversa e teste 7 dias grátis um agente de IA personalizado ↗Ou faça o diagnóstico gratuito de IA →