用於事件分析的人工智慧輔助 SQL

它是如何運作的

從訊號到決策的可審查工作流程

給問題提供足夠的背景資訊

命名錶、指標定義、時間範圍、分組和預期輸出。不明確的業務語言會產生不明確的 SQL。

檢查生成的假設

在信任圖表之前，請檢查欄位型別、連線、分母、空值處理和時間邊界。

僅儲存透過審查的查詢

使用人工智慧來加速，而不是權威。儲存的查詢應該可以被維護它的下一個人員或代理理解。

使用 AI 生成可編輯查詢

真實的產品捕獲顯示一個簡單語言問題變成了 SQL，仍然可見以供審查。

邊界

這不能取代什麼

生成的 SQL 是一個起點，而不是權威的指標定義或安全決策。
AI 協助無法檢視架構、提示或已審查的事件合約中缺少的業務上下文。
在為儀表板或警示提供動力之前，應檢查查詢的欄位、聯接、分母、空處理和時間視窗。

可檢查的證明路徑

從事件契約到可見的答案

此範例使用宣告的架構、只讀 SQL 和確定性合成結果。它示範了工作流程，但沒有提供範例資料作為客戶基準。

1. 活動合約

一排進入 agent_events，並明確查詢所使用的型別。

timestamp_utc: Timestamp
event_name: Utf8
data.tool_name: Utf8
data.status: Utf8
data.args.operation: Utf8
data.latency_ms: Float64

瀏覽活動合約

2.只讀SQL

哪些人工智慧工具和參數與失敗次數最多的呼叫相關？

SELECT
  "data.tool_name" AS tool_name,
  "data.args.operation" AS operation,
  COUNT(*) AS calls,
  SUM(CASE
    WHEN "data.status" = 'failed' THEN 1 ELSE 0
  END) AS failures,
  100.0 * SUM(CASE
    WHEN "data.status" = 'failed' THEN 1 ELSE 0
  END) / NULLIF(COUNT(*), 0) AS failure_rate_pct,
  approx_percentile_cont("data.latency_ms", 0.95) AS p95_latency_ms
FROM agent_events
WHERE event_name = 'agent_tool_called'
  AND timestamp_utc >= now() - INTERVAL '7 days'
GROUP BY "data.tool_name", "data.args.operation"
HAVING COUNT(*) >= 20
ORDER BY failure_rate_pct DESC, calls DESC;