اگر عامل هوش مصنوعی شما در نوشتن کوئری‌های SQL اشتباه می‌کند یا تعاریف تجاری شرکت را نادیده می‌گیرد، با یک شکاف محتوایی روبرو هستید. تصور کنید دستیاری دارید که هر بار برای پاسخ به یک سؤال ساده، باید تمام دفترچه‌های راهنمای شرکت را از نو بخواند؛ این دقیقاً همان جایی است که ktx وارد می‌شود.
به نقل از مستندات شرکت Kaelio، این ابزار که در ۲۸ مه ۲۰۲۶ عرضه شد، به عنوان یک لایه‌ی محتوایی خودبهبودبخش برای عامل‌های (Agents) — شبیه به کارمندان دیجیتالی که کارهای پیچیده را به‌طور مستقل انجام می‌دهند — عمل می‌کند. اکثر این عامل‌ها در هر بار پرس‌وجو، انبار داده‌های شما را دوباره بررسی می‌کنند. آن‌ها منطق خودشان را می‌سازند و اعدادی برمی‌گردانند که با گزارش‌های رسمی شما هم‌خوانی ندارد.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی تولید بازیابی‌افزا (RAG) اشاره کردیم، مشکل اصلی همواره دسترسی مدل به داده‌های به‌روز و دقیق بوده است. ktx برای حل این مشکل سه فرآیند را خودکار می‌کند:
- تحلیل محتوای ویکی برای شناسایی تضادها
- نمونه‌برداری از جداول برای تشخیص ستون‌های قابل اتصال
- ساخت گراف اتصال برای رفع خطاهای منطقی در داده‌ها
طبق گزارش Kaelio، این ابزار با dbt، Looker و Metabase یکپارچه می‌شود. کاربران می‌توانند آن را با دستور npm install -g @kaelio/ktx نصب کنند و از طریق پروتکل زمینه مدل (MCP) — که مثل یک تبدیل universal برای اتصال ابزارها به مدل است — آن را به Claude Code یا Cursor متصل کنند. نکته حیاتی این است که سیستم فقط دسترسی خواندن دارد و محلی اجرا می‌شود؛ یعنی هیچ داده‌ای از دستگاه شما خارج نمی‌شود مگر آنچه به مدل زبانی بزرگ (LLM) ارسال شود.
این تحول، گردش کار تیم‌های داده را تغییر می‌دهد. شما دیگر نیازی به نوشتن پرامپت‌های طولانی برای توضیح ساختار داده‌ها ندارید. در واقع، استخراج داده‌ها از حالت «تولیدی» به حالت «اعلامی» تغییر می‌کند؛ یعنی عامل‌ها دیگر SQL را از صفر نمی‌نویسند، بلکه معیارهای تأییدشده را فراخوانی می‌کنند.
گام بعدی شما
- با اجرای دستور
ktx setupدر دایرکتوری پروژه، نقشه‌ی انبار داده‌های خود را ترسیم کنید. - بررسی کنید که سرور MCP چگونه جستجوی معنایی را بین ویکی و موجودیت‌های داده‌ای شما مدیریت می‌کند.
- تفاوت دقت پاسخ‌ها را در گزارش‌های مالی پیچیده بسنجید.
اما این تنها بخشی از معماری جدید است؛ اثر این رویکرد بر کاهش هزینه استنتاج را در گزارش بعدی بررسی خواهیم کرد.
گفتگو