> ## Documentation Index
> Fetch the complete documentation index at: https://private-7c7dfe99-fix-nav-issues.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# Агентная аналитика

> Узнайте, как ClickHouse поддерживает агентную аналитику

export const Image = ({img, alt, size}) => {
  return <Frame>
      <img src={img} alt={alt} />
    </Frame>;
};

ИИ-нагрузки предъявляют единый набор требований независимо от сценария использования:

* высокий параллелизм запросов
* время ответа менее секунды
* полные данные без потерь в большом масштабе

В этом документе объясняется, как ClickHouse отвечает этим требованиям в сфере Real-time аналитики, хранилищ данных и обсервабилити, а также как эти сценарии использования объединяются в единую платформу данных для агентных приложений.

<div id="agentic-workloads">
  ## ClickHouse для агентных рабочих нагрузок
</div>

<Tabs>
  <Tab title="Real-time аналитика" icon="bolt">
    Возможности приложений на базе ИИ — например, сгенерированные инсайты, обнаружение аномалий, рекомендации и интерфейсы на естественном языке для работы с данными продукта — требуют тесного цикла обратной связи между транзакционной записью и аналитическим чтением.
    Стандартная архитектура для этого — Postgres + ClickHouse:

    * Postgres отвечает за транзакции и состояние приложения, ClickHouse — за аналитику.
    * ClickHouse обеспечивает быструю ингестию, выполнение запросов к миллиардам строк менее чем за секунду и уровень параллелизма, необходимый клиентским приложениям.

    По мере того как приложения становятся агентными, эта связка приобретает ещё большее значение.
    Агентам нужно непрерывно запрашивать актуальные данные продукта, что увеличивает и частоту запросов, и параллелизм.
    ClickHouse решает эту задачу с помощью нативной интеграции Postgres + ClickHouse, которая обеспечивает автоматическую репликацию данных и единый опыт для разработчиков, избавляя от необходимости управлять отдельным CDC-конвейером.
  </Tab>

  <Tab title="Хранилище данных" icon="database">
    Интерфейсы аналитики на естественном языке (иногда их называют AI Analyst) выходят из стадии экспериментов в продакшн.
    Пользователи задают вопросы простым английским языком и ожидают получить ответы за секунды.

    С точки зрения инфраструктуры это означает, что один запрос на естественном языке порождает не один SQL-запрос — как правило, их возникают десятки за короткое время, пока агент исследует доступные датасеты и оценивает несколько цепочек рассуждений.
    В результате рабочие нагрузки внутренних аналитиков начинают напоминать внешние клиентские рабочие нагрузки по профилю параллелизма и задержки.

    Традиционные хранилища данных проектировались для редких пакетных запросов. Они оптимизированы под общую пропускную способность множества запросов, а не под время ответа менее секунды при высоком параллелизме. Запуск рабочих нагрузок AI Analyst на такой архитектуре приводит либо к неприемлемой задержке, либо к затратам, которые растут быстрее, чем создаваемая ими ценность.

    ClickHouse был создан для интерактивных запросов с высоким параллелизмом: данные петабайтного масштаба, тысячи одновременных пользователей, время ответа менее секунды при работе с миллиардами строк.
  </Tab>

  <Tab title="Обсервабилити" icon="eye">
    Традиционные стеки обсервабилити построены на трёх отдельных опорах — метриках, журналах и трассировках, — при этом данные предварительно агрегируются и сэмплируются, чтобы контролировать затраты на хранилище. Такой компромисс приемлем для сценариев с участием человека, но не подходит для AI SRE.
    Автоматизированный триаж инцидентов, анализ первопричин и корреляция аномалий требуют детализированных данных высокой кардинальности с длительным сроком хранения. AI-агент, который сопоставляет шаблон ошибки с событием развертывания трёхдневной давности, не сможет работать с сэмплированными журналами или прореженными метриками.

    Архитектура, поддерживающая AI SRE, — это единый источник истины на основе широких структурированных событий, хранящихся в столбцовом хранилище. События с полной детализацией сохраняются один раз, а метрики, трассировки и SLO вычисляются из них во время выполнения запроса, а не предварительно агрегируются при ингестии.
    ClickHouse хорошо подходит для этой модели:

    * Высокое сжатие журналов и событийных данных
    * Выполнение запросов к широким событиям высокой кардинальности менее чем за секунду
    * Эффективная ингестия при объёмах инфраструктуры уровня продакшн
    * Модель затрат, основанная на compute и хранилище, а не на оплате за каждый ГБ ингестии

    ClickStack — это стек обсервабилити от ClickHouse, построенный по этой модели и использующий OpenTelemetry в качестве слоя сбора данных.
    Он доступен как решение с открытым исходным кодом и как управляемый сервис.
  </Tab>
</Tabs>

<div id="convergence-dwh-o11y">
  ## Сближение хранилищ данных и обсервабилити
</div>

Хранилища данных и обсервабилити исторически были отдельными направлениями со своими поставщиками, заказчиками и стеками. Но сегодня это разделение все чаще оказывается скорее условностью, чем технической необходимостью.
Теперь обе области пишут в объектное хранилище. Обеим нужны интерактивные запросы с низкой задержкой и высоким параллелизмом. И на уровне данных одни и те же события часто хранятся дважды — один раз в платформе обсервабилити и один раз в хранилище данных, — а между ними находится хрупкий слой синхронизации.
Если хранить все это в открытых форматах один раз, чтобы к этим данным могли обращаться и AI Analyst, и AI SRE, это устраняет дублирование и делает контекст доступным в обоих рабочих процессах.

<div id="platform-layer">
  ## Уровень платформы: интерфейсы для AI-агентов и обсервабилити LLM
</div>

Для полноценной агентной аналитической платформы помимо базы данных нужны еще два компонента.

**Интерфейсы для AI-агентов**

Когда AI-агенты становятся основным интерфейсом для доступа к данным, платформа работы с данными должна предоставлять свои возможности в формате, с которым агенты могут работать, — через API, совместимые с MCP, интерфейсы на естественном языке и агентные фреймворки, интегрируемые без отдельной доработки под каждый сценарий использования. Agentic Data Stack объединяет ClickHouse и LibreChat, предлагая готовое решение для развертывания аналитических агентов поверх ваших данных.

**Обсервабилити LLM**

По мере распространения агентов трассировка их выполнения, мониторинг производительности моделей, отслеживание затрат и отладка сбоев в многошаговых рабочих процессах становятся ключевым инженерным требованием. Langfuse работает на ClickHouse Cloud и обеспечивает обсервабилити LLM в реальном времени и в больших масштабах.