Riot Games baut mit einer KI-Agenten-Fertigungsstraße ein dbt-Warehouse neu auf

Von verflochtenen PySpark-Jobs zum agentenbasierten Workflow

In ihrer Breakout-Session mit dem Titel "When skills meet scale: an agent assembly line for dbt" beschrieb Zhang, wie ihr Team ein Produktions-Data-Warehouse mithilfe von KI-Agenten nach Engineering-Standards neu aufgebaut hat. Ausgangspunkt war der alte Entwicklungszyklus, in dem die Geschäftslogik in riesigen PySpark-Jobs steckte, in denen Orchestrierung, Konfiguration und Transformationscode miteinander verflochten waren.

Zhang nannte drei Kosten dieses Aufbaus. Erstens eine "Unboxing-Steuer", um überhaupt eine einzelne Kennzahl nachvollziehen zu können. Zweitens eine "Test-Steuer" durch uneinheitliche Validierung. Drittens eine "Exklusivitäts-Steuer", die Fachexperten vom Mitarbeiten abhielt, solange sie nicht den gesamten Tooling-Stack erlernten.

Pilotiert wurde der neue Ansatz an Echoes on the Rift, einem Nostalgie-Event, das am 7. August 2026 startete. Es verknüpfte die mobilen Wild-Rift-Konten der Spieler mit ihren PC-Konten von League of Legends über fünf Jahre Historie und mehr als 60 titelübergreifende Metriken hinweg. Allein die Event-Tabelle des PC-Spiels League of Legends umfasste rund 18 Terabyte an Daten, etwa 129 Milliarden rohe Spielereignisse, die durchforstet werden mussten, um grundlegende Kampfstatistiken wie Gesamtzahl der Kills und verursachten Schaden zu berechnen.

Geschichteter Kontext und fünf Stationen

Das System beruht auf einer geschichteten Kontextarchitektur mit drei Teilen:

• Ein von Engineers erstellter System-Prompt, der die Persona und die Werkzeuge des Agenten festlegt.
• Eine eingespeiste "Playbook"-Schicht, die Engineers und Analysten gemeinsam aufbauen und in der Namenskonventionen und Schema-Verträge festgehalten sind.
• Ein Task-Prompt, mit dem ein Analyst in einem einzigen Satz beschreiben kann, was er braucht.

Dieser Kontext speist das, was Zhang eine Fertigungsstraße aus fünf Stationen nannte. Sie entdecken Quellspalten, profilieren deren Wertebereiche, erstellen ein Silver-Modell mit Standardbenennung und gängigen Join-Mustern, bauen ein Modell für die Gold-Schicht und validieren das Ergebnis, bevor ein Mensch den Pull Request prüft.

Damit das Feedback schnell bleibt, werden generierte Modelle auf drei Ebenen geprüft. Die Syntaxprüfung klärt, ob das SQL wohlgeformt ist. Die Kompilierung prüft, ob referenzierte Tabellen und Spalten tatsächlich existieren. Die Ausführung lässt die Abfrage gegen echte Daten laufen, um Annahmen wie Null-Raten und Zeilenzahlen zu testen. Zhang lobte, dass dbt v2 Typprüfungen auf Kompilierungsebene in Sekunden gegen den Katalog durchführt, statt bei jedem kleinen Fehler eine vollständige Warehouse-Ausführung zu verlangen.

Benchmark und Kostenkurve

Zhang verglich Echoes on the Rift mit einem ähnlichen Event, das sie im Jahr zuvor von Hand gebaut hatte. Das manuelle Projekt dauerte zwei Monate mit vollständig geschützter, zweckgebundener Fokuszeit. Echoes on the Rift dauerte etwa zweieinhalb Monate, obwohl sie weiter in der Bereitschaftsrotation blieb, wechselnde Anforderungen auffangen musste und parallel das zugrunde liegende Agentensystem von Grund auf entwickelte.

Ihr Hauptargument betraf die Kostenkurve. Im alten Modell kostete das 200. Modell ungefähr so viel Engineering-Zeit wie das erste. Im agentenbasierten Modell fallen die Vorabkosten für den Aufbau von Playbook und Evaluierungssystem nur einmal an, und die Grenzkosten jedes weiteren Modells sinken in Richtung der Token- und Rechenkosten.

Engineers bleiben im Loop

Zhang betonte, dass der Ansatz Engineers nicht überflüssig macht. Er verlagere ihren Aufwand vom Schreiben von Boilerplate-SQL hin zu Präzision bei der Datenmodellierung, zum Review und zur Trennung zwischen der Mechanik von SQL und der Semantik der Geschäftslogik.

Ein Problem bleibt offen. In der Fragerunde räumte Zhang ein, dass es bislang keine Lösung gibt, um zu verhindern, dass mehrere Beitragende redundante Modelle bauen. Derzeit behelfe sie sich mit PR-Reviews und Anweisungen, die den Agenten anhalten, vor dem Bau neuer Modelle nach bestehenden zu suchen.

Für Data-Teams deutet die Session auf ein Modell hin, in dem Analysten ihren Bedarf in einfacher Sprache beschreiben können, während sich Engineers auf Playbooks, Evaluierung und Review konzentrieren. Die vollständige Session ist über den dbt Summit 2026 auf Abruf verfügbar.