阅读材料: 第4部分. 环境：Qwen Code、dbt、DuckDB

模块「第4部分. 环境：Qwen Code、dbt、DuckDB」中第 1 / 5 节课

您正在未登录状态下查看课程。请登录，以保存进度并参加测试。

来源

第4部分. 环境：Qwen Code, dbt, DuckDB

环境应当是本地的、可复现的，并且足够小，使学生能够看清 SDD 循环，而不是与基础设施作斗争。因此在教学路线中使用 Python、DuckDB、dbt-core 和 dbt-duckdb。

最低要求

Python 3.11+；
venv；
带 bash 的 shell；
Qwen Code CLI 或兼容的代理工具；
对本地仓库的访问权限。

检查：

python3 --version
python3 -m venv /tmp/sdd-data-check
. /tmp/sdd-data-check/bin/activate
pip --version

示例安装

cd book3/examples/bank-lakehouse
python3 -m venv .venv
. .venv/bin/activate
pip install -r requirements.txt
bash smoke_all.sh

完整的 smoke 运行应生成 raw/seeds，执行 dbt parse 和 dbt build。如果未安装 dbt，备用模式仅检查结构。这是部分检查，而不是教材已就绪的证明。

为什么选择 DuckDB

DuckDB 能够在没有外部服务的情况下展示 SQL、类型、聚合、dbt 测试和本地存储。这使错误的代价更低。如果 revoked_at 为空且类型转换失败，学生会在 source/staging 契约中看到问题，而不是在集群设置中。

DuckDB 不能替代生产环境。它替代的是第一个教学环境。在本地理解了粒度、PII 策略和契约之后，同样的模式可以迁移到 Trino、Spark、Databricks 或 Snowflake。

代理设置

示例中包含 AGENTS.md 和 .qwen/commands/sdd/。在修改任何模型之前，代理必须阅读：

AGENTS.md；
specs/mission.md；
specs/tech-stack.md；
所需的 ODCS/ODPS；
所需的模型规范；
验证事实。

不要以「修复 dbt」开始。要以「将错误与契约对比，并指出违反了哪条事实」开始。

为读者拆解

本书中的本地环境有意保持简约。这并不是要假装生产环境很简单。相反：采用小规模栈是为了把教学错误与基础设施噪声区分开。当 dbt build 在空日期上失败时，读者应当看到 staging 和契约中的问题，而不是去排查集群、密钥、权限、目录和网络策略。

DuckDB 之所以有用，正是因为它像是一个实验室。它与分析引擎足够相似，可以展示类型、聚合、物化和测试。同时它又足够贴近，学生可以删除数据库、重新构建数据，并再次得到相同的结果。这种可复现性比「真正的」平台的感觉更重要。如果第一个教学环境无法在本地复现，那么迁移到 Iceberg 或 Spark 只会增加随机差异的新原因。

独立的 venv 也是纪律的一部分。它划定了示例的边界：这里有工具版本，这里有安装命令，这里有检查命令。当依赖版本被更新时，应当通过 smoke 运行来验证，而不是依赖「latest」这一名称。对于教材来说这尤其重要：读者复制命令，如果命令出错，他不仅不再信任环境，也不再信任流程。

最后，环境确立了对代理的正确态度。当 dbt 无法运行时，代理不应收到「修复一切」的命令。首先要弄清是哪条边界被破坏：依赖未安装、原始数据缺失、staging 对空值的处理有误、契约与模型不匹配。环境越小，就越容易学会这种诊断方法。