Агенттер алдымен аналитиканы санайды
Таңғы сағат 2-де түсім туралы ескерту іске қосылады. Кезекші ops-агент оны алып, өзі есеп беретін инженерден тікелей сұрақ алады: «Соңғы екі аптадағы GPU ақауларына байланысты, түсімнен $1M-нан астам жоғалтуға әкелген инциденттерді тап және ұқсас тарихи жағдайларды қос».
Түзету туралы ойламас бұрын агент осыған жауап беруі керек. Жауап негізінен аналитикалық жұмыс. Агент инциденттерді соңғы екі аптаға сүзеді, fault-лог мәтінін GPU ақауларымен салыстырады, $1M-нан жоғары түсім әсерін агрегаттайды, содан кейін өткен инциденттерді семантикалық жақындық бойынша реттейді. Бес қадамның төртеуі — сүзу, уақыт терезесі және агрегация. Біреуі — векторлық іздеу.
Көп команда агенттерге арналған data layer-ді агенттер оны қолданатын реттің керісіншесімен құрады. Олар семантикалық retrieval-ден бастайды: векторлық базалар, RAG-фреймворктар, workflow оркестрациясы. Бұл жұмыс нақты, және production-агенттерге ол керек. Жеткіліксіз қалатын қабат — агент бірінші соғатын қабат: нақты бизнес фактілері бойынша real-time аналитика.
Бұл фактілер нақты әрі операциялық: тапсырыстар, пайдаланушы жазбалары, транзакциялар, қалдықтар, ескертулер. Клиент сервисінің агентіне тапсырыстың ағымдағы күйі, жеткізу жаңартулары және қайтару құқығы керек. Бизнес-аналитика агентіне тірі түсім, конверсия және аномалия сигналдары керек. Ops-агент қай ескертулер жанып тұрғанын және олар неге әсер ететінін білуі керек. Әр тапсырма — адам-оператор бұрыннан іске қосатын real-time аналитиканың автоматтандырылған нұсқасы.
Агенттер бұл қабатқа адамдардан қаттырақ жүктеме салады. Олар бір тапсырмаға көп сұраныс жібереді, жаңа дерек күтеді және мыңдаған сессияда параллель жұмыс істейді. Real-time ingestion, төмен кідіріс, жоғары бәсекелестік және бірыңғай сұраныс базалық талапқа айналады. Бұл Apache Doris сияқты real-time аналитика жүйелерінің анықтаушы мүмкіндіктері.
Agentic жүктеме не өзгертеді
Agentic жүктемеге көшу data layer не беруі керектігін өзгертеді. Салыстыру workload деңгейінде:
| Өлшем | Дәстүрлі real-time аналитика | Agentic-аналитика |
|---|---|---|
| Негізгі тұтынушылар | Аналитиктер, операция, бизнес-командалар | Агенттер, AI-қосымшалар, автоматты workflow |
| Базалық талап | Бизнес-фактілерді көрсету | Ойлау тізбегі бойы фактілер мен контексті үздіксіз алу |
| Негізгі сұраныс түрлері | SQL, агрегация, сүзу, drill-down | SQL + Vector + Full-text + Graph + Stream |
| Кідіріс талабы | Минуттар мен секундтар | Секундтар және секунд үлесі |
| Жүйе рөлі | Аналитика және шешімді қолдау | Түсіну, ойлау, жад және әрекет үшін фактілерге кіру нүктесі |
Агент сұранысы — ең алдымен аналитикалық сұраныс
Сұраныс деңгейінде сурет айқынырақ. Басындағы инцидент сұрағын алайық:
Соңғы екі аптадағы GPU ақауларына байланысты, түсімнен $1M-нан астам жоғалтуға әкелген инциденттерді тап және ұқсас тарихи жағдайларды қос.
Оны әр фрагментке керекті мүмкіндік бойынша бөлейік:
| Сұраныс фрагменті | Қандай мүмкіндік керек |
|---|---|
| GPU ақауына байланысты | Толық мәтінді іздеу, кілт сөз бойынша сәйкестік |
| Соңғы екі апта | Уақыт бойынша сүзу, терезе шегі |
| Түсім жоғалтуы $1M-нан жоғары | Агрегация, метрика бойынша сүзу |
| Инциденттер | Құрылымдық дерекке қол жеткізу |
| Ұқсас тарихи жағдайлар | Векторлық retrieval, семантикалық жақындық |
Іс жүзінде агент data layer-ге жасайтын сұраныс былай көрінеді:
SELECT *
FROM incidents
WHERE l2_distance(description_embedding, query_embedding) < 0.1
AND MATCH(log_text, 'GPU overheating')
AND severity >= 4
AND revenue_impact > 1000000
ORDER BY timestamp DESC LIMIT 10; Құрылымдық сүзгілер мен агрегация бірінші орындалады. Векторлық ұқсастық — бірнеше предикаттың бірі. Нәтиже сапасы жаңа дерек үстінде жоғары бәсекелестіктегі күрделі сүзу мен агрегацияға байланысты, ал семантикалық іздеу сол қозғалтқышқа салынған.
Жеке векторлық retrieval мұның бір бөлігін жабады да, қалғанын басқа жүйелерге қалдырады:
| Агенттің негізгі талабы | Жеке векторлық retrieval қайда жетпейді | Real-time аналитика қозғалтқышы қайда жақсырақ |
|---|---|---|
| Күрделі сүзу және агрегация | Олқылықты жабу үшін сыртқы аналитикалық жүйелерге сүйенеді | Аналитикалық қозғалтқыштың базалық мүмкіндігі |
| Нақты уақыттағы бизнес-фактілер | Ұзын синхрондау жолы, жаңалықты кепілдеу қиынырақ | Деректі нақты уақытта тұтынуға жақын |
| Жоғары бәсекелестіктегі қысқа сұраныстар | Retrieval-ге жақсы, күрделі аналитикалық жүктемеге оңтайланбаған | Құралдардың аналитикалық шақыруларының үлкен көлемін жақсы көтереді |
| Нәтижені түсіндіру | Құрылымдық дәлелді жиі бөлек тігу керек | Тексерілетін бизнес-фактілерді тікелей қайтарады |
Apache Doris дәстүрлі және agentic аналитиканы қалай қосады
Apache Doris-ті он жыл бұрын real-time іздеу мен аналитика базасы ретінде құра бастады: масштабта жоғары бәсекелестік және төмен кідіріс. Ол кезде жүйе AI-агенттерге арналмаған, бірақ real-time аналитика үшін қабылданған архитектуралық шешімдер енді агент жүктемесі талап ететін нәрсемен сәйкес келеді.
Бұл жүктемені тікелей қызмет ету үшін Doris real-time аналитика қозғалтқышына hybrid search қосты: бір жүйеде нативті векторлық іздеу және толық мәтінді іздеу. Агенттер Doris-тің real-time өнімділігін және сұраныстарына керекті hybrid search-ті бір қозғалтқыштан алады.
Сол базалық мүмкіндіктер аналитикадан агенттерге өтеді:
| Apache Doris базалық мүмкіндігі | Дәстүрлі аналитикадағы құны | Агент жүктемесіндегі кеңейтілген құны |
|---|---|---|
| Real-time ingestion және жаңарту | Соңғы тапсырыс, транзакция және метрика бірден қолжетімді | Агенттер ең жаңа бизнес-фактілермен ойлайды |
| Төмен кідірісті OLAP | Есеп, дашборд және ad-hoc сұранысты қоректендіреді | Ойлау тізбегі бойы құралдардың жиі шақыруын ұстайды |
| Жоғары бәсекелестіктегі сұраныс | Көп аналитик пен бизнес-қосымшаға қызмет етеді | Жүздеген және мыңдаған агент пен автоматты workflow-ға қызмет етеді |
| Жартылай құрылымдық өңдеу | JSON, Variant және басқа икемді форматтармен жұмыс істейді | Құрал шығысын, оқиға payload-ын және AI тудырған құрылымды қабылдайды |
| Lakehouse және бірнеше дереккөзге бірыңғай қол жеткізу | Әртүрлі дереккөзден дерек жинайды | Суық білім мен ыстық деректі бірге тұтыну оңайырақ |
| Full-text пен vector-дың жалғасып жатқан бірігуі | Аналитика шекарасын кеңейтеді | Hybrid search-ті бір кіру нүктесіне жақындатады |
Мультимодалық контекст: бірыңғай контекст қабаты
Бір сұраныстан шегініп қарасақ, екінші қажеттілік көрінеді. Командалар мультимодалық деректерді аналитикадан бөлек санатқа жиі салады, векторлар мен білім графтары OLAP-тан басқа яруста тұрғандай. Мультимодалық деректердің құны олар құрылымдық дерекпен қатар қолданылғанда көрінеді: аналитика тірі бизнес-операцияларға жақындайды.
Құрылымдық дерек агенттерге фактілік негіз береді, ал жартылай құрылымдық модальділік модельдерге түсіну, түсіндіру және әрекет ету үшін ақпарат береді. Мұны контекст деп атайды. Ops-агент түсім жоғалтуы шектен өтті ме, соны білуі керек: бұл факт. Және оған байланысты fault-логтар, ұқсас өткен инциденттер мен runbook керек: бұл контекст. Байланысты әрі дәл жауап немесе әрекет үшін факт пен контекст екеуі де керек.
Мультимодалық контекст — тек көбірек дерек түрін қолдау емес. Бұл агенттер сенімді тұтынатын бірыңғай контекст қабаты: фактілер, түсіндірмелер, мінез-құлық, жад және семантика бір жүйенің ішінде. Мұндай рөл Doris сияқты real-time аналитика қозғалтқышын іздеу-аналитика жүйесінен контекст жүйесіне өсіреді.
Контекст қабаттары былай бөлінеді:
| Дерек қабаты | Әдеттегі құрамы | Агент үшін рөлі | Неге аналитикамен қосу керек |
|---|---|---|---|
| Фактілер қабаты | Тапсырыс, транзакция, метрика, қалдық, инцидент | «Не болды» дегенге жауап | Сүзу, агрегация, join және нақты уақыт сұранысы керек |
| Түсіндірме қабаты | Құжат, тикет, хат, пікір, білім базасы | «Неге болды» дегенге жауап | Фактілік нәтиженің жанында қайтуы керек |
| Мінез-құлық қабаты | Лог, оқиға ағыны, құрал шақыруының трассасы | «Тізбек қалай өрбіді» дегенге жауап | Уақыт және нысан бойынша join керек |
| Жад қабаты | Пайдаланушы профилі, диалог тарихы, тапсырма күйі | «Бұрын не болды және әрі қарай не» дегенге жауап | Ағымдағы сұранысқа енген үздіксіз жаңарту керек |
| Семантикалық қабат | Embeddings, нысан байланысы, білім графы | «Не немен байланысты» дегенге жауап | Құрылымдық сүзу мен аналитиканың жанында жұмыс істеуі керек |
Неге бөлек базалар жиынтығы агент жүктемесінде сынады
Көп корпоративтік стек бұл контексті бөлек жүйелерден жинайды: embeddings үшін vector store, толық мәтін үшін іздеу қозғалтқышы, агрегация үшін OLAP және жартылай құрылымдық дерек үшін бөлек қойма. Адам-оператор арадағы алшақтықты қолмен жабады. Агентте мұндай көпір жоқ.
Агенттерге дерекке ең қысқа жол керек. Бір тапсырма бірнеше backend арасында секіргенде үш мәселе қосылады:
- Контекст фрагментациясы: дерек бар, бірақ агент бүтін суретті емес, бөліктерді көреді.
- Келісімділік дрейфі: әр жүйенің өз синхрондау ырғағы, индекс жаңартуы және құқық моделі бар, әр саңылау ойлауды нашарлатады.
- Кідіріс және құн: бір логикалық сұраныс бірнеше желілік шақыру мен нәтижені біріктіру раундына жайылады, тізбек баяулайды немесе үзіледі.
Сондықтан Doris-ке нативті толық мәтінді іздеу мен векторлық іздеу қосылды: толық мәтін, векторлық іздеу және жартылай құрылымдық дерек үшін бір қозғалтқыш. Агенттерге дерек жолы қысқарып, тұрақтырақ болады.
Осы бірыңғай қозғалтқыштың ішінде Doris аналитикалық жұмыстың жанында контекст retrieval-ін, hybrid-сұраныс жоспарлауын және агент жадын алады. Піскен real-time аналитика қозғалтқышынан сыртқа кеңею маманданған жүйелерді сырттан тігуден практикалық.
Бір бірыңғай қозғалтқыш нені алмастырады:
| Модуль | Бұрын оны кім берді | Бірыңғай real-time қозғалтқыш |
|---|---|---|
| OLAP | Дерек қоймасы / аналитикалық БД | Фактілерді нақты уақытта алу және агрегаттаушы аналитика |
| Толық мәтінді іздеу | Іздеу қозғалтқышы | Keyword recall және дәлелді алу |
| Векторлық іздеу | Vector DB | Семантикалық жақындық және релеванттылық |
| Streaming | Kafka / Apache Flink | Нақты уақыттағы оқиға және инкрементті жаңарту |
| Жартылай құрылымдық өңдеу | JSON / Variant қозғалтқышы | Икемді кіріс және құрал деректері |
| Жад қоймасы | Session / Agent Store | Ұзақ жад және тапсырма күйі |
| Семантикалық қабат | Метадерек / governance жүйесі | Деректі машина тұрақты оқиды |
Қорытынды
Production AI-агенттер — ең алдымен аналитика тұтынушылары. Олар тудыратын сұраныстар бір қадамда құрылымдық деректерді, толық мәтінді іздеуді және векторлық retrieval-ді қамтиды, ал жауап нақты уақытта керек, пакеттік синхрондаудан емес.
Apache Doris real-time аналитиканы нативті hybrid search-пен бір қозғалтқышта біріктіреді және production-агенттерге құрылымдық, жартылай құрылымдық және векторлық дерек арқылы бірыңғай дерек жолын береді.
Түпнұсқа дереккөз
Matt Yi, Apache Doris PMC Member және Tech VP @ VeloDB, «Why AI Agents Need Real-Time Analytics and Hybrid Search», 2026-06-24.
https://www.velodb.io/blog/why-ai-agents-need-real-time-analytics-and-hybrid-search