Как собрать AI-агента для запросов к данным без SQL

Автор Towards Data Science рассмотрел подходы к созданию AI-агента для работы с корпоративными данными через интерфейс на естественном языке. Смысл таких систем в том, чтобы бизнес-пользователи могли задавать вопросы без SQL и получать ответы напрямую из хранилища данных. В качестве примера приводится запрос о суммарном TPV в Юго-Восточной Азии за прошлый год. Система отвечает: «$ 60 Billion».

В статье сравниваются два варианта внедрения. Первый предполагает самостоятельную сборку на базе open-source инструментов, среди них LangGraph/LangChain, CrewAI и LlamaIndex. Такой подход дает больше контроля над поведением агента и подойдет компаниям, которым важны кастомная логика и собственный orchestration-слой. Второй вариант связан с использованием встроенных data agent внутри облачных платформ, включая Snowflake Cortex Agents, Databricks Genie и Fabric Data Agents. Этот сценарий рассчитан на более быстрый запуск типовых conversational analytics-решений.

Для демонстрационного проекта Avocado Sales Analytics Agent автор выбрал Google Cloud Platform и BigQuery, поскольку в бесплатный период доступны функции Conversational Analytics. Источником данных стал набор Avocado Prices с Kaggle, опубликованный Justin Kiggins на основе данных Hass Avocado Board по лицензии CC BY 4.0.

Главный практический вывод материала касается не столько выбора инструмента, сколько подготовки данных. Автор подчеркивает, что агенту нужно понятное описание схемы: названия таблиц и колонок, типы данных, связи и бизнес-контекст. В BigQuery настройка выполняется через раздел Agent, где задаются описание, источник знаний и инструкции для модели. Именно от качества этих инструкций зависит, насколько корректно агент отвечает на бизнес-запросы и можно ли использовать его как интерфейс self-service аналитики для нетехнических команд.