ktx

在 AI 代理（Agent）日益深入数据分析领域的今天，如何确保它们理解正确的业务语义、写出准确的 SQL 并遵循公司规范？ktx 是一个开源的数据智能体上下文层，它通过将数据仓库元数据、BI 工具定义、查询历史及文档转化为可审查、可执行的 Git 文件，为 Claude Code、Codex 等 AI 代理提供了一个共享且精准的知识工作空间。

核心亮点：上下文即代码，精准可控

1. 上下文即代码 (Context as Code)

• Git 版本控制：ktx 将 Wiki 页面、语义层定义（指标、维度、连接）存储为基于 Git的文件。
• 可审查工作流：支持对上下文变更进行 Diff 对比、Code Review 和合并，确保业务逻辑的演变透明且可控。
• 标准化输出：避免 AI 从头构建规范性 SQL，直接使用已批准的度量标准和筛选条件。

2. 自我改进的数据摄取

• 多源整合：自动读取数据仓库 schema、BI 工具配置、dbt/SQLModel 代码、历史查询日志及团队笔记。
• 智能调和：将新发现的证据与已接受的上下文进行比对和调和，自动更新 semantic-layer/ 和 wiki/ 目录，保持知识库的鲜活度。

3. 智能体原生访问 (MCP & CLI)

• MCP 集成：通过 Model Context Protocol (MCP) 暴露工具，让 AI 代理能直接搜索上下文、编译语义查询。
• 安全执行：支持运行只读 SQL，确保数据安全；同时允许 Agent 提出上下文更新建议，经人工审核后入库。
• 技能增强：赋予 Agent “记忆”能力，使其在回答复杂业务问题时能引用历史背景和公司规范。

工作原理：构建与服务双轮驱动

ktx 的工作流分为两个紧密连接的阶段：

为什么需要 ktx？

• ❌ 传统痛点：
  • AI 代理缺乏业务上下文，容易写出语法正确但逻辑错误的 SQL。
  • 指标定义分散在 BI 工具、代码库和文档中，难以统一。
  • 无法追溯 AI 查询背后的业务逻辑依据。
• ✅ ktx 解决方案：
  • 统一语义层：将分散的定义集中管理，作为 Agent 的唯一真理来源。
  • 可解释性：每次查询都基于明确的、可审查的上下文文件。
  • 持续进化：随着使用增多，知识库自动丰富，Agent 越来越“懂”你的数据。

适用场景

• 自然语言查数 (NL2SQL)：让业务人员通过对话获取准确数据，AI 基于 ktx 上下文生成合规 SQL。
• 自动化报表生成：Agent 根据 ktx 中的指标定义，自动编写 dbt 模型或 BI 仪表板配置。
• 数据血缘与影响分析：通过 Git 历史追踪指标定义的变更及其对下游查询的影响。
• 新员工入职培训：新分析师可通过 Agent 快速了解公司数据架构与业务术语，无需翻阅大量文档。