Så dokumenterar jag tabeller och business rules så AI förstår dem

Datadokumentation för AI är ett avgränsat systemproblem, inte en generell AI-princip: en coding agent behöver veta vad en tabell faktiskt betyder, inte bara vad kolumnerna heter. Här är den praktiska modell jag använder och vilka gränser som behöver vara explicita.

Tabellbeskrivningar ska svara på fyra frågor

Jag dokumenterar vad en rad betyder (grain), vilken nyckel som identifierar den, vilka tidsfält som styr giltighet och vilka business rules som förändrar tolkningen — samt vilken tabell som faktiskt är source-of-truth när flera speglingar av samma data finns.

Skriv regler som maskinen kan testa

"BE-pris avrundas speciellt" är svagt. En explicit formel, input och exempel är bättre. Då kan agenten både implementera och verifiera regeln.

Markera förbjudna antaganden

Om ett id är text och ledande nollor är betydelsefulla ska det stå som constraint. Om två prisfält inte får blandas ska samma sak vara tydlig. Det är ofta viktigare än en lång beskrivning av tabellens historia.

Dokumentera relationer och validera mot kända rader

Utöver tabellens egna regler dokumenterar jag vilka joins som är säkra och vilka kardinaliteter som är normala, gärna med ett par konkreta queryexempel. Det minskar risken att agenten bygger en syntaktiskt korrekt join som ändå multiplicerar rader. Jag ger också ett eller två kända exempel med förväntat resultat, så att agenten kan testa sin tolkning av reglerna innan queryn körs mot hela datamängden.

Versionshantera business rules

Prisregler och produktlogik förändras. Jag vill därför veta från vilket datum en regel gäller och vilken version queryn bygger på.

Ge agenten retrievalväg

All schema-info behöver inte ligga i prompten. En liten kärnöversikt kan länka till separata referensfiler per domän. Då får coding agenten relevant kontext utan att fylla fönstret med irrelevanta tabeller.

Slutsats

Datadokumentation för AI är i praktiken ett kontrakt mellan affärslogik och kod. Ju mer explicit det är, desto mindre behöver agenten improvisera.

Relaterade artiklar

• Så bygger jag ett AI-workflow i n8n från början
• Så använder jag Claude Code för att skriva SQL mot riktiga produktionsdata
• Hur jag avgör vad modellen ska läsa varje gång och vad som bara ska hämtas vid behov
• Prompt → plan → implementation → review: mitt standardflöde
• Hur jag undviker att en AI-agent bygger något elegant men fel