Аналитика для агентов
Концепции аналитики, ориентированной на агентов
Что такое «агенты»?
AI-агентов можно рассматривать как цифровых помощников, которые эволюционировали за рамки простой реализации задач (или вызова функций): они могут понимать контекст, принимать решения и выполнять осмысленные действия для достижения конкретных целей. Они работают в цикле «восприятие–мышление–действие» (см. ReAct agents), обрабатывая различные входные данные (текст, медиа, данные), анализируя ситуации и затем делая что-то полезное с этой информацией. Что ещё важнее, в зависимости от области применения они теоретически могут работать при разном уровне автономности — требуя или не требуя участия человека.
Переломным моментом здесь стало появление Large Language Models (LLMs). Хотя само понятие AI-агентов существует уже довольно давно, LLM, такие как серия GPT, радикально расширили их возможности «понимать» и коммуницировать. Будто бы они внезапно стали гораздо более бегло говорить на «человеческом» языке, то есть способны понимать запросы и отвечать с релевантной контекстной информацией, извлечённой из обучающей выборки модели.
Суперспособности AI-агентов: «инструменты»
Эти агенты по-настоящему раскрываются благодаря доступу к «инструментам». Инструменты расширяют возможности AI-агентов, наделяя их способностью выполнять задачи. Вместо того чтобы быть лишь разговорными интерфейсами, они теперь могут реально что-то делать — будь то вычисления, поиск информации или управление коммуникацией с клиентами. Представьте себе разницу между человеком, который может только описать, как решить задачу, и тем, кто действительно может её решить.
Например, ChatGPT теперь по умолчанию поставляется с поисковым инструментом. Эта интеграция с поисковыми провайдерами позволяет модели получать актуальную информацию из интернета прямо во время диалога. Это означает, что она может проверять факты в ответах, получать сведения о последних событиях и данных и выдавать актуальную информацию, а не полагаться исключительно на свои обучающие данные.
Инструменты также можно использовать для упрощения реализации конвейеров Retrieval-Augmented Generation (RAG). Вместо того чтобы полагаться только на то, что AI-модель выучила во время обучения, RAG позволяет модели подтягивать релевантную информацию перед формированием ответа. Вот пример: использование AI-помощника для поддержки клиентов (например, Salesforce AgentForce, ServiceNow AI Agents). Без RAG он бы использовал только свои общие знания для ответа на вопросы. Но с RAG, когда клиент спрашивает о последней функциональности продукта, система извлекает самую свежую документацию, заметки к релизам и исторические заявки в поддержку перед тем, как сформировать ответ. Это означает, что ответы теперь опираются на самую актуальную информацию, доступную AI-модели.
Модели рассуждений
Ещё одним развитием в области AI, и, возможно, одним из самых интересных, стало появление моделей рассуждений. Системы вроде OpenAI o1, Anthropic Claude или DeepSeek-R1 используют более методичный подход, вводя шаг «мышления» перед ответом на запрос. Вместо того чтобы сразу генерировать ответ, модели рассуждений используют техники промптинга, такие как Chain-of-Thought (CoT), чтобы анализировать задачи под разными углами, разбивать их на шаги и использовать доступные им инструменты для сбора контекстной информации по мере необходимости.
Это отражает сдвиг в сторону более мощных систем, способных обрабатывать более сложные задачи за счёт комбинации рассуждений и практических инструментов. Одним из последних примеров в этой области является появление OpenAI deep research — агента, который может автономно проводить сложные многошаговые исследовательские задачи в интернете. Он обрабатывает и синтезирует информацию из различных источников, включая текст, изображения и PDF, чтобы генерировать развёрнутые отчёты в течение от пяти до тридцати минут — задача, которая традиционно заняла бы у человека несколько часов.
Аналитика в реальном времени для AI-агентов
Рассмотрим пример агентного AI-ассистента с доступом к базе данных аналитики в реальном времени, содержащей CRM-данные компании. Когда пользователь спрашивает о последних (актуальных до минуты) тенденциях в продажах, AI-ассистент обращается к подключённому источнику данных. Он итеративно анализирует данные, чтобы выявить значимые закономерности и тренды, такие как помесячный рост, сезонные колебания или появляющиеся категории продуктов. В итоге он формирует ответ на естественном языке, объясняя ключевые выводы, часто с дополнительными визуализациями. Когда основной интерфейс, как в этом случае, основан на чате, производительность имеет большое значение, поскольку эти итеративные исследования запускают серию запросов, которые могут сканировать большие объёмы данных для извлечения релевантных аналитических выводов.
Ряд свойств делает базы данных аналитики в реальном времени особенно подходящими для таких нагрузок. Например, базы данных аналитики в реальном времени спроектированы для работы с данными, поступающими почти в реальном времени, что позволяет им обрабатывать и предоставлять выводы почти мгновенно по мере появления новых данных. Это критично для AI-агентов, так как им может требоваться актуальная информация, чтобы принимать (или помогать принимать) своевременные и релевантные решения.
Ключевые аналитические возможности также важны. Базы данных аналитики в реальном времени отлично справляются с выполнением сложных агрегаций и обнаружением закономерностей в больших наборах данных. В отличие от операционных баз данных, которые в первую очередь фокусируются на хранении или извлечении "сырых" данных, эти системы оптимизированы для анализа огромных объёмов информации. Это делает их особенно подходящими для AI- агентов, которым нужно выявлять тренды, обнаруживать аномалии и получать практически применимые выводы.
От баз данных аналитики в реальном времени также ожидается высокая скорость интерактивных запросов, что критично для чат-взаимодействия и высокочастотных исследовательских нагрузок. Они обеспечивают стабильную производительность даже при больших объёмах данных и высокой параллельности запросов, что позволяет поддерживать отзывчивый диалог и более плавный пользовательский опыт.
Наконец, базы данных аналитики в реальном времени часто выступают в роли конечных "приёмников данных" ("data sinks"), эффективно консолидируя ценные доменные данные в одном месте. Совмещая критически важные данные из разных источников и форматов под одной "крышей", такие базы данных обеспечивают AI-агентам доступ к унифицированному представлению доменной информации, развязанному от операционных систем.
Эти свойства уже позволяют базам данных реального времени играть ключевую роль в масштабном обслуживании AI-сценариев выборки данных (например, приобретение Rockset компанией OpenAI). Они также дают AI-агентам возможность предоставлять быстрые, основанные на данных ответы, разгружая при этом тяжёлую вычислительную работу.
Это позиционирует базу данных аналитики в реальном времени как предпочтительного "поставщика контекста" для AI-агентов, когда речь идёт об инсайтах.
AI-агенты как формирующийся тип пользователя
Полезно рассматривать AI-агентов, использующих базы данных для аналитики в режиме реального времени, как новую категорию пользователей или, говоря языком продакт-менеджеров, — портрет пользователя (user persona).
С точки зрения базы данных мы можем ожидать потенциально неограниченное количество AI-агентов, которые одновременно выполняют большое количество запросов от имени пользователей или автономно, чтобы проводить исследования, уточнять итеративные исследования и выводы и выполнять задачи.
Со временем базы данных реального времени успели адаптироваться к человеческим интерактивным пользователям, напрямую подключённым к системе или через промежуточный прикладной слой. Классические примеры таких портретов пользователей: администраторы баз данных, бизнес-аналитики, data scientists или разработчики ПО, создающие приложения поверх базы данных. Индустрия постепенно изучила их модели использования и требования и органично предоставила интерфейсы, операторы, пользовательские интерфейсы, форматы, клиенты и производительность, чтобы удовлетворить их разнообразные сценарии.
Теперь возникает вопрос: готовы ли мы обслуживать рабочие нагрузки AI-агентов? Какие конкретные функции нам нужно переосмыслить или создать с нуля для этих сценариев использования?
ClickHouse быстро даёт ответы на некоторые из этих вопросов благодаря множеству возможностей, нацеленных на предоставление полноценного набора функций для AI.
ClickHouse.ai
Дополнительные сведения о будущих возможностях ClickHouse Cloud см. в разделе ClickHouse.ai.
