Репортаж от Wedoany，GitHub запускает внутреннего агента для анализа на основе искусственного интеллекта под названием Qubot, который позволяет сотрудникам задавать вопросы на естественном языке к любым моделям данных в хранилище данных и получать ответы за считанные секунды.
Крупные организации, работающие с данными и аналитикой, часто сталкиваются с трудностями в обеспечении самостоятельного доступа к данным и инсайтам. Внутри GitHub десятки продуктовых команд, и предоставление им специализированной аналитической поддержки является сложной задачей, поэтому многие команды вынуждены самостоятельно решать вопросы анализа данных. Несмотря на наличие большого количества ценных телеметрических данных о продуктах, которые можно использовать для принятия решений, определение используемой модели данных, гранулярности, фильтров, а также написание запросов и проверка результатов без поддержки аналитика данных всегда были сложной задачей.
Qubot, будучи внутренним агентом для анализа на основе GitHub Copilot, позволяет любому Hubber'у (сотруднику GitHub) задавать вопросы на естественном языке, например: «Какая группа пользователей имеет самый высокий уровень удержания в этой функции?» или «Какой продукт на прошлой неделе внес наибольший вклад в улучшение этого показателя?». Этот инструмент не заменяет инструменты отчетности или дашборды, а подходит для исследовательских вопросов, не требует затрат на обслуживание и помогает командам быстро освоить незнакомые наборы данных.
Архитектура Qubot включает три основных компонента: пользовательский интерфейс, контекстный слой и механизм запросов.
Пользовательский интерфейс доступен через Slack, VS Code и Copilot CLI. Интерфейс Slack не требует настройки: когда кто-то задает вопрос в канале Qubot Slack, система создает экземпляр Qubot, ответ отображается непосредственно в Slack, и пользователи могут делиться результатами и уточнять вопросы. Результаты также сохраняются в виде отчетов Markdown в pull request'ах. Qubot доступен как плагин в VS Code и Copilot CLI после установки.
Контекстный слой построен по федеративному принципу, знания адаптированы к типу данных. Для данных сырых событий (бронзовый слой) имеется контекст телеметрии, предоставленный продуктовыми командами; для данных фактов и измерений (серебряный слой) — примеры запросов и руководства по использованию, поддерживаемые командами данных и аналитики; для данных золотого слоя, подготовленных для конкретных бизнес-сценариев, — бизнес-правила и определения показателей. ETL-конвейеры обогащают контекстный слой дополнительными сигналами и производными метаданными, а во время выполнения он загружается через сервер GitHub MCP.
Контекстный агент упрощает федеративное предоставление контекста. Команды могут вносить контекст через стандартизированные шаблоны или репозитории ссылок, а агент обрабатывает, организует и нормализует информацию в структурированный формат. Каждое изменение контекстного слоя или конфигурации агента перед публикацией оценивается с помощью фреймворка оценки, который включает тщательно разработанные тестовые примеры, автоматическую оркестрацию выполнения и компоненты статистической агрегации для измерения точности ответов, задержки и выявления регрессий.
Механизм запросов подключается к Kusto и Trino через сервер MCP. Kusto быстр и подходит для исследовательских запросов к данным о недавних событиях; Trino обрабатывает сложные соединения и более глубокий исторический анализ. Qubot по умолчанию использует Kusto и автоматически переключается на Trino при необходимости.
Qubot широко используется в GitHub: сотни пользователей выполнили тысячи запросов. Количество вопросов в каналах данных и аналитики значительно сократилось, сотрудники могут более самостоятельно исследовать данные. Контекстный слой стал ключевым фактором повышения способности Copilot к рассуждению: хорошо структурированный контекст не только делает Qubot точнее, но и ускоряет возврат правильного ответа в три раза.
Данный материал скомпилирован платформой Wedoany. При цитировании материалов, созданных с помощью искусственного интеллекта (ИИ), необходимо обязательно указывать источник — «Wedoany». В случае выявления нарушения прав или иных проблем просим своевременно информировать нас. Сайт оперативно внесёт изменения или удалит материал.Электронная почта: news@wedoany.com
