最新

与 VillageSQL 协作的 Agent 技能。这些技能可在 Claude Code、Gemini CLI、agy、Codex、Cursor、Amp 和 Kiro 中运行。

大家好，我们开源了 ktx。它是一个可执行的上下文层，让代理在你的数据栈上更可靠。<p>我们构建它，是基于为数十家公司构建生产级数据代理的经验。如果你也尝试过构建它们，或者只是尝试在你的数据仓库上使用 Claude Code 或 Codex，你就会知道准确性是头号问题。代理擅长生成有效的 SQL，但它并不总是正确的 SQL。<p>举几个“代理出错”的例子：<p>- 过时的列 + 隐藏的业务规则：在准备董事会报告时，财务分析师向 Claude Code 询问“按客户细分的 ARR”，它从多个表（订阅、计划、账户）中推导出 ARR，然后按 accounts.industry 分组。但 CC 并不知道几个月前这个 industry 列已被弃用，或者过去的董事会报告中排除了暂停订阅的 ARR 计算<p>- Join fanout（连接扇出）：一家零售商的数据分析师使用他们公司的内部代理来准备 QBR 的产品收入报告。代理将订单连接到 order_items，然后按 order_items.product_id 对 orders.total_amount_cents 求和。SQL 运行良好，但每个订单的收入会针对每个商品重复一次，如果大多数订单只有 1 个商品，那么大多数人都会忽略这一点<p>- 缺少归因逻辑：市场分析师询问 Codex“哪些活动带来了最多的收入？”Codex 将 marketing_touches 连接到用户再连接到订单，并按 utm_campaign 分组。但由于每个订单在购买前可能有多次接触，因此同一订单可以归功于首次接触、最后一次接触、每次接触，或者用户购买前点击的每个活动。如果代理选择的方法与团队的归因逻辑不符，他们将做出次优决策<p>为了解决这个问题，我们最初通过技能 + wiki 风格的知识库为代理提供了更多上下文。这为它提供了一些有用的额外上下文，但仍然依赖于它在没有错误假设的情况下编写 SQL。<p>我们探索的下一个解决方案是实现一个经典的语义层。这解决了可执行部分，但由于它们是为旧版 BI 工具而构建的，因此构建和维护起来非常痛苦。此外，作为独立工具，它们缺乏来自非结构化数据源（如内部文档）的所有有用上下文。<p>所以我们构建了 ktx，并将其分为 2 部分：<p>1. 业务上下文进入 Markdown wiki 页面，这些页面会被自动摄取和自动填充<p>2. 可查询的定义进入 YAML 文件，这些文件定义了表、行粒度、连接、度量、维度、过滤器和过滤器组<p>这样，当代理需要一个指标时，它会向 ktx 询问度量、维度、过滤器和过滤器组，而不是自己编写整个查询。ktx 的规划器选择连接路径，使用粒度和关系元数据，捕获连接扇出和峡谷连接等问题，并编译数据仓库 SQL，同时利用它可以访问的额外非结构化知识。<p>ktx 是 Apache 2.0 协议。它可以从大多数数据仓库（BigQuery、Snowflake、Postgres 等）、建模工具（dbt、MetricFlow、LookML）、BI 工具（Looker、Metabase）、Notion 等文档工具以及用户交互的更正中摄取数据。<p>手动安装：<p>npm install -g @kaelio&#x2F;ktx<p>ktx setup<p>或者给你的代理这个提示：<p>运行 npx skills add Kaelio&#x2F;ktx --skill ktx 并使用 ktx 技能来安装和配置 ktx<p>我们特别希望收到使用 Claude Code、Codex 或在分析仓库上构建自定义代理的人的反馈。它们在哪里失败了？你尝试了什么来使答案更可靠？

人工智能很快将在数学问题解决方面超越几乎所有人类数学家。 所以，也许是时候让数学老师和学生停止担忧和测试难题了吗？