‏ktx؛ لایه‌ی زمینه برای ایجنت‌های داده روی انبار داده

ktx یک لایه‌ی زمینه‌ی خودبهبوددهنده‌ست که به ایجنت‌ها یاد می‌ده انبار داده‌ت رو دقیق کوئری بگیرن. مشکلی که حل می‌کنه روشنه: ایجنت‌های عمومی روی کارهای داده‌ای می‌لنگن؛ هر سؤال انبار رو از نو کشف می‌کنن، منطق متریک خودشون رو اختراع می‌کنن و عددهایی برمی‌گردونن که با تعریف‌های تأییدشده نمی‌خونه. لایه‌های معنایی سنتی هم این رو حل نمی‌کنن، چون نگه‌داری دستی زیادی می‌خوان و بقیه‌ی دانش شرکت رو جذب نمی‌کنن.

ktx هر دو کار رو خودکار انجام می‌ده: از دانش شرکت یاد می‌گیره (محتوای wiki رو می‌بلعه، سازمان می‌ده، تکراری‌ها رو حذف و تناقض‌ها رو برای بازبینی انسانی علامت می‌زنه)، پشته‌ی داده رو نقشه می‌کنه (جدول‌ها رو نمونه‌گیری می‌کنه، متادیتا و الگوی استفاده می‌گیره و ستون‌های قابل‌join رو تشخیص می‌ده)، یک لایه‌ی معنایی می‌سازه (جدول‌های خام و متریک‌ها رو با یک گراف join ترکیب می‌کنه که دام‌های chasm و fan رو خودکار حل می‌کنه) و در زمان اجرا به ایجنت‌ها سرویس می‌ده (با ابزارهای CLI و MCP و جست‌وجوی ترکیبی متنی و معنایی).

این ابزار برای کسانیه که می‌خوان ایجنت‌هایی مثل Claude Code، Codex، Cursor یا OpenCode با تعریف‌های متریک تأییدشده انبارشون رو کوئری بگیرن، و دانش کسب‌وکارشون بین dbt، Looker، Metabase و Notion پراکنده‌ست. با PostgreSQL، Snowflake، BigQuery، ClickHouse و چند پایگاه دیگه کار می‌کنه و با dbt، LookML و Notion یکپارچه می‌شه.

از نظر امنیت و حریم خصوصی، ktx محلی اجرا می‌شه و سرویس میزبانی‌شده نداره؛ تنها داده‌ای که از دستگاه خارج می‌شه چیزیه که به ارائه‌دهنده‌ی LLM پیکربندی‌شده می‌فرستی، و اتصال‌ها فقط-خواندنی‌ان (هرگز روی دیتابیس نمی‌نویسه). این پروژه متن‌باز (Apache 2.0) و از شرکت‌های Y Combinator است.

نکات کلیدی:

• ایجنت‌های عمومی انبار رو هر بار از نو کشف و متریک ساختگی تولید می‌کنن؛ ktx این رو حل می‌کنه
• جذب دانش از wiki، dbt، Looker و Notion و علامت‌زدن تناقض‌ها
• لایه‌ی معنایی با گراف join که دام‌های chasm/fan رو حل می‌کنه؛ سرویس از طریق CLI و MCP
• محلی، فقط-خواندنی و متن‌باز (Apache 2.0)؛ سازگار با Postgres، Snowflake، BigQuery و...