Agentlar avval analitikani hisoblaydi
Tungi soat 2 da tushum boʼyicha ogohlantirish ishga tushadi. Navbatchi ops-agent uni oladi va oʼziga hisobot beradigan muhandisdan toʼgʼridan-toʼgʼri savol oladi: «Soʼnggi ikki haftadagi GPU nosozliklariga bogʼliq, tushumdan $1M dan ortiq yoʼqotishga olib kelgan insidentlarni top va oʼxshash tarixiy holatlarni qoʼsh».
Tuzatish haqida fikrlashdan oldin agent bunga javob berishi kerak. Javob asosan analitik ish. Agent insidentlarni soʼnggi ikki haftaga filtrlaydi, fault-log matnini GPU nosozliklari bilan solishtiradi, $1M dan yuqori tushum taʼsirini agregatsiya qiladi, soʼng oʼtgan insidentlarni semantik yaqinlik boʼyicha tartiblaydi. Besh qadamning toʼrttasi — filtrlash, vaqt oynasi va agregatsiya. Bittasi — vektorli qidiruv.
Koʼpchilik jamoa agentlar uchun data layer ni agentlar undan foydalanadigan tartibning teskari tomonidan quradi. Ular semantik retrieval dan boshlaydi: vektor bazalar, RAG freymvorklar, workflow orkestratsiyasi. Bu ish haqiqiy va production-agentlarga kerak. Yetishmay qoladigan qatlam — agent birinchi uradigan qatlam: aniq biznes faktlari boʼyicha real-time analitika.
Bu faktlar aniq va operatsion: buyurtmalar, foydalanuvchi yozuvlari, tranzaksiyalar, qoldiqlar, ogohlantirishlar. Mijoz servisi agentiga buyurtmaning joriy holati, yetkazish yangilanishlari va qaytarish huquqi kerak. Biznes-analitika agentiga jonli tushum, konversiya va anomaliya signallari kerak. Ops-agent qaysi ogohlantirishlar yonayotganini va ular nimaga taʼsir qilishini bilishi kerak. Har bir vazifa — inson-operator allaqachon ishga tushiradigan real-time analitikaning avtomatlashtirilgan versiyasi.
Agentlar bu qatlamga odamlardan qattiqroq bosim beradi. Ular bitta vazifaga koʼp soʼrov yuboradi, yangi maʼlumot kutadi va minglab sessiyada parallel ishlaydi. Real-time ingestion, past kechikish, yuqori parallellik va yagona soʼrov bazaviy talabga aylanadi. Bu Apache Doris kabi real-time analitika tizimlarining belgilovchi imkoniyatlari.
Agentic yuklama nimani oʼzgartiradi
Agentic yuklamaga oʼtish data layer nima berishi kerakligini oʼzgartiradi. Taqqoslash workload darajasida:
| Oʼlchov | Anʼanaviy real-time analitika | Agentic analitika |
|---|---|---|
| Asosiy isteʼmolchilar | Analitiklar, operatsiya, biznes jamoalar | Agentlar, AI-ilovalar, avtomatik workflow |
| Bazaviy talab | Biznes faktlarini koʼrsatish | Mulohaza zanjiri boʼylab fakt va kontekstni uzluksiz olish |
| Asosiy soʼrov turlari | SQL, agregatsiya, filtrlash, drill-down | SQL + Vector + Full-text + Graph + Stream |
| Kechikish talabi | Daqiqalar va soniyalar | Soniyalar va soniya ulushi |
| Tizim roli | Analitika va qarorni qoʼllab-quvvatlash | Tushunish, mulohaza, xotira va harakat uchun faktlarga kirish nuqtasi |
Agent soʼrovi — avvalo analitik soʼrov
Soʼrov darajasida manzara aniqroq. Boshidagi insident savolini olaylik:
Soʼnggi ikki haftadagi GPU nosozliklariga bogʼliq, tushumdan $1M dan ortiq yoʼqotishga olib kelgan insidentlarni top va oʼxshash tarixiy holatlarni qoʼsh.
Uni har bir fragmentga kerak boʼlgan imkoniyat boʼyicha ajratamiz:
| Soʼrov fragmenti | Qaysi imkoniyat kerak |
|---|---|
| GPU nosozligiga bogʼliq | Toʼliq matnli qidiruv, kalit soʼz boʼyicha moslik |
| Soʼnggi ikki hafta | Vaqt boʼyicha filtr, oyna cheklovi |
| Tushum yoʼqotishi $1M dan yuqori | Agregatsiya, metrika boʼyicha filtr |
| Insidentlar | Strukturali maʼlumotga kirish |
| Oʼxshash tarixiy holatlar | Vektorli retrieval, semantik yaqinlik |
Amaliyotda agent data layer ga yaratadigan soʼrov shunday koʼrinadi:
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; Strukturali filtrlar va agregatsiya birinchi bajariladi. Vektorli oʼxshashlik — bir nechta predikatdan biri. Natija sifati yangi maʼlumot ustida yuqori parallellikdagi murakkab filtrlash va agregatsiyaga bogʼliq, semantik qidiruv esa shu dvigatelga oʼrnatilgan.
Alohida vektorli retrieval buning bir qismini yopadi va qolganini boshqa tizimlarga qoldiradi:
| Agentning asosiy talabi | Alohida vektorli retrieval qayerda yetmaydi | Real-time analitika dvigateli qayerda yaxshiroq |
|---|---|---|
| Murakkab filtrlash va agregatsiya | Boʼshliqni yopish uchun tashqi analitik tizimlarga tayanadi | Analitik dvigatelning bazaviy imkoniyati |
| Real vaqtdagi biznes faktlari | Uzun sinxronlash yoʼli, yangilikni kafolatlash qiyinroq | Maʼlumotni real vaqtda isteʼmol qilishga yaqin |
| Yuqori parallellikdagi qisqa soʼrovlar | Retrieval uchun yaxshi, murakkab analitik yuklamaga optimallashtirilmagan | Vositalarning analitik chaqiruvlari hajmini yaxshiroq koʼtaradi |
| Natijani talqin qilish | Strukturali dalilni koʼpincha alohida tikish kerak | Tekshiriladigan biznes faktlarini toʼgʼridan-toʼgʼri qaytaradi |
Apache Doris anʼanaviy va agentic analitikani qanday bogʼlaydi
Apache Doris oʼn yil oldin real-time qidiruv va analitika bazasi sifatida qurila boshlangan: masshtabda yuqori parallellik va past kechikish. Oʼsha payt tizim AI-agentlar uchun qurilmagan, lekin real-time analitika uchun qabul qilingan arxitektura qarorlari endi agent yuklamasi talab qiladigan narsaga toʼgʼri keladi.
Bu yuklamani toʼgʼridan-toʼgʼri xizmat qilish uchun Doris real-time analitika dvigateliga hybrid search qoʼshdi: bitta tizimda nativ vektorli qidiruv va toʼliq matnli qidiruv. Agentlar Doris ning real-time unumdorligini va soʼrovlariga kerak hybrid search ni bitta dvigateldan oladi.
Shu bazaviy imkoniyatlar analitikadan agentlarga oʼtadi:
| Apache Doris bazaviy imkoniyati | Anʼanaviy analitikadagi qiymati | Agent yuklamasidagi kengaytirilgan qiymati |
|---|---|---|
| Real-time ingestion va yangilanish | Soʼnggi buyurtma, tranzaksiya va metrika darhol mavjud | Agentlar eng yangi biznes faktlari bilan mulohaza qiladi |
| Past kechikishli OLAP | Hisobot, dashboard va ad-hoc soʼrovni oziqlantiradi | Mulohaza zanjiri boʼylab vositalarning tez-tez chaqiruvini ushlab turadi |
| Yuqori parallellikdagi soʼrov | Koʼp analitik va biznes-ilovaga xizmat qiladi | Yuzlab va minglab agent hamda avtomatik workflow ga xizmat qiladi |
| Yarim strukturali qayta ishlash | JSON, Variant va boshqa moslashuvchan formatlar bilan ishlaydi | Vosita chiqishi, hodisa payload i va AI yaratgan strukturani qabul qiladi |
| Lakehouse va bir nechta manbaga yagona kirish | Turli manbalardan maʼlumot yigʼadi | Sovuq bilim va issiq maʼlumotni birga isteʼmol qilish osonroq |
| Full-text va vector ning davom etayotgan qoʼshilishi | Analitika chegarasini kengaytiradi | Hybrid search ni bitta kirish nuqtasiga yaqinlashtiradi |
Multimodal kontekst: yagona kontekst qatlami
Bitta soʼrovdan chekinib qarasak, ikkinchi ehtiyoj koʼrinadi. Jamoalar multimodal maʼlumotni koʼpincha analitikadan alohida toifaga qoʼyadi, goʼyo vektorlar va bilim graflari OLAP dan boshqa yarusda yashaydi. Multimodal maʼlumotning qiymati u strukturali maʼlumot bilan yonma-yon ishlatilganda ochiladi: analitika jonli biznes operatsiyalariga yaqinlashadi.
Strukturali maʼlumot agentlarga faktik asos beradi, yarim strukturali modallik esa modellarga tushunish, tushuntirish va harakat qilish uchun axborot beradi. Buni kontekst deyiladi. Ops-agent tushum yoʼqotishi chegaradan oʼtdimi, shuni bilishi kerak: bu fakt. Va unga bogʼliq fault-loglar, oʼxshash oʼtgan insidentlar va runbook kerak: bu kontekst. Bogʼliq va aniq javob yoki harakat uchun ham fakt, ham kontekst kerak.
Multimodal kontekst — faqat koʼproq maʼlumot turini qoʼllab-quvvatlash emas. Bu agentlar ishonchli isteʼmol qiladigan yagona kontekst qatlami: faktlar, tushuntirishlar, xatti-harakat, xotira va semantika bitta tizim ichida. Bunday rol Doris kabi real-time analitika dvigatelini qidiruv-analitika tizimidan kontekst tizimiga oʼstiradi.
Kontekst qatlamlari shunday boʼlinadi:
| Maʼlumot qatlami | Odatiy tarkibi | Agent uchun roli | Nega analitika bilan birlashtirish kerak |
|---|---|---|---|
| Faktlar qatlami | Buyurtma, tranzaksiya, metrika, qoldiq, insident | «Nima boʼldi» ga javob | Filtrlash, agregatsiya, join va real vaqt soʼrovi kerak |
| Tushuntirish qatlami | Hujjat, tiket, xat, izoh, bilim bazasi | «Nega boʼldi» ga javob | Faktik natija yonida qaytishi kerak |
| Xatti-harakat qatlami | Log, hodisa oqimi, vosita chaqiruvi trassasi | «Ketma-ketlik qanday yoyildi» ga javob | Vaqt va obyekt boʼyicha join kerak |
| Xotira qatlami | Foydalanuvchi profili, dialog tarixi, vazifa holati | «Avval nima boʼlgan va keyin nima» ga javob | Joriy soʼrovga kirgan uzluksiz yangilanish kerak |
| Semantik qatlam | Embeddings, obyekt bogʼlanishi, bilim grafi | «Nima nima bilan bogʼliq» ga javob | Strukturali filtrlash va analitika yonida ishlashi kerak |
Nega alohida bazalar toʼplami agent yuklamasida sinadi
Koʼpchilik korporativ stek bu kontekstni alohida tizimlardan yigʼadi: embeddings uchun vector store, toʼliq matn uchun qidiruv dvigateli, agregatsiya uchun OLAP va yarim strukturali maʼlumot uchun alohida ombor. Inson-operator oradagi uzilishlarni qoʼlda yopadi. Agentda bunday koʼprik yoʼq.
Agentlarga maʼlumotgacha eng qisqa yoʼl kerak. Bitta vazifa bir nechta backend boʼylab sakraganda uchta muammo qoʼshiladi:
- Kontekst fragmentatsiyasi: maʼlumot bor, lekin agent butun rasmni emas, boʼlaklarni koʼradi.
- Muvofiqlik dreyfi: har bir tizimning oʼz sinxronlash ritmi, indeks yangilanishi va huquq modeli bor, har bir tirqish mulohazani yomonlashtiradi.
- Kechikish va narx: bitta mantiqiy soʼrov bir nechta tarmoq chaqiruvi va natijani yopishtirish raundiga yoyiladi, zanjir sekinlashadi yoki uziladi.
Shuning uchun Doris ga nativ toʼliq matnli qidiruv va vektorli qidiruv qoʼshildi: toʼliq matn, vektorli qidiruv va yarim strukturali maʼlumot uchun bitta dvigatel. Agentlar uchun maʼlumot yoʼli qisqaroq va barqarorroq boʼladi.
Shu yagona dvigatel ichida Doris analitik ish yonida kontekst retrieval ni, hybrid-soʼrov rejalashni va agent xotirasini oladi. Yetuk real-time analitika dvigatelidan tashqariga kengayish ixtisoslashgan tizimlarni tashqaridan tikishdan amaliyroq.
Bitta yagona dvigatel nimani almashtiradi:
| Modul | Avval uni kim bergan | Yagona real-time dvigatel |
|---|---|---|
| OLAP | Maʼlumot ombori / analitik BD | Faktlarni real vaqtda olish va agregatsiyalovchi analitika |
| Toʼliq matnli qidiruv | Qidiruv dvigateli | Keyword recall va dalilni olish |
| Vektorli qidiruv | Vector DB | Semantik yaqinlik va relevans |
| Streaming | Kafka / Apache Flink | Real vaqtdagi hodisa va inkremental yangilanish |
| Yarim strukturali qayta ishlash | JSON / Variant dvigateli | Moslashuvchan kirish va vosita maʼlumoti |
| Xotira ombori | Session / Agent Store | Uzoq xotira va vazifa holati |
| Semantik qatlam | Metamaʼlumot / governance tizimi | Maʼlumotni mashina barqaror oʼqiydi |
Xulosa
Production AI-agentlar — avvalo analitika isteʼmolchilari. Ular yaratadigan soʼrovlar bitta qadamda strukturali maʼlumot, toʼliq matnli qidiruv va vektorli retrieval ni qamraydi, javob esa real vaqtda kerak, paketli sinxronlashdan emas.
Apache Doris real-time analitikani nativ hybrid search bilan bitta dvigatelda birlashtiradi va production-agentlarga strukturali, yarim strukturali va vektorli maʼlumot orqali yagona maʼlumot yoʼlini beradi.
Asl manba
Matt Yi, Apache Doris PMC Member va 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