ClickHouse Agents 公開測試版：Claude 驅動的自然語言 Agentic 分析
ClickHouse · 2026-06-09
ClickHouse 發布 ClickHouse Agents 公開測試版，以 Claude（Sonnet 與 Haiku）為預設模型，讓使用者在不撰寫 SQL 的情況下對 ClickHouse Cloud 資料進行自然語言查詢與多輪對話分析。服務以 ai.clickhouse.cloud 為入口或直接在 SQL console 中存取。
架構與能力
系統採用開放性「平台」設計，而非封閉生態：資料連接層透過 MCP 協定暴露 ClickHouse 資料來源，代理能力層以 Claude 為核心，可搭配 Skills（自定義指令集）、Memories（跨工作階段記憶）與 Artifacts（可複用的查詢結果或分析流程）。平台亦支援 bring-your-own agents 與第三方整合。
內建沙盒程式碼解釋器允許 agent 在受限環境中安全執行 Python、Bash 與 JavaScript，進行資料轉換或視覺化生成。企業安全方面支援 SSO 與加密訊息儲存。
ClickHouse 內部部署指標
ClickHouse 作為自身用戶，報告以下數據：
- 80% 員工採用率
- 每日處理約 4,500 萬 token
- Agent 生成的查詢量約為人工查詢的 10–100 倍
- Claude 在 SQL 生成與 schema 推理任務上優於測試的其他替代方案
下一步計畫包含 Agent API 存取以及深度 Langfuse 評估整合。
原始來源：ClickHouse Blog
Redis Iris：實時上下文引擎——AI Agent 的「新鮮度」問題
Redis · 2026-06-10
Redis 發布 Redis Iris 架構設計，提出一個論點：AI agent 在生產環境中失效，主要原因不是模型能力不足，而是上下文品質問題——資料陳舊、存取延遲高、企業資料分散難以導航。Iris 是針對這三個問題設計的上下文層。
四層架構
- Navigable — MCP 端點：以 Model Context Protocol 暴露企業資料來源，讓 agent 能以標準化方式發現並查詢各系統資料
- Fast — Redis Search：提供毫秒級低延遲查詢，涵蓋結構化資料與向量搜尋
- Fresh — Redis Data Integration（RDI）：透過 Change Data Capture（CDC）持續將上游系統的資料變更同步至上下文層，確保 agent 取得的是即時資料而非過期快照
- Compounding — Agent Memory：儲存個人化偏好與持久互動歷史，使上下文品質隨每次互動累積改善
與傳統 RAG 的差異
| 面向 | 傳統 RAG | Redis Iris |
|---|---|---|
| 資料新鮮度 | 週期性更新 | CDC 即時同步 |
| 架構 | 以 embedding 為中心 | 結構化 + 向量 + 串流 |
| 個人化 | 無狀態 | 有狀態記憶累積 |
| 資料可發現性 | 有限 | MCP 原生端點 |
Iris 的設計假設是：同一個模型配備高品質上下文，其表現優於更大的模型搭配陳舊上下文。RDI 的 CDC 機制使上下文層與生產資料庫保持同步，解決了嵌入式向量在資料頻繁更新場景下的根本性新鮮度問題。
原始來源：Redis Blog