#Qlik Sense #mcp Server - выход версии 2.0
С прошлого поста про 1.7.2 вышли четыре версии. Главное направление работы про то, чем работа с Qlik через модель отличается от работы с тем что умеют llm - "работа с бд".
Проблема, вокруг которой всё крутилось
Qlik почти никогда не отвечает ошибкой на кривой запрос.
Он отвечает числом.
- Сгруппировали по полю с опечаткой - Qlik посчитает имя за выражение, вернёт одну строку с общим итогом, и это выглядит как настоящий ответ.
- Отфильтровали по значению, которого в данных нет, получим аккуратную таблицу нулей.
- Написали фильтр по дате не в той форме - получим итог за весь период.
Ни в одном из случаев в ответе нет ничего, за что можно зацепиться. Для человека это неудобно, для модели - фатально: она процитирует число как факт.
Что сделано в 2.0
Вопрос описывается словами, а выражения пишет сервер.
{
"group_by": ["region_name"],
"metrics": [{"field": "amount", "agg": "sum"}],
"filters": [{"field": "order_date", "period": "2024"}]
}
Ни строчки синтаксиса Qlik. Модель не ошибается в том, чего не пишет.
Форму фильтра по датам сервер подбирает замером. Оказалось, что угадать её нельзя в принципе: сравнение внутри set-анализа идёт с тем, как значение выглядит на экране, а не с тем, как хранится. На поле, которое показывается как
На соседнем поле, которое показывается голым числом, работает только он - и в шестьдесят раз быстрее.
Поэтому сервер сначала считает эталон, потом пробует дешёвый вариант и берёт его, только если ответ совпал.
Ответ можно проверить по нему самому. Расчёт за период возвращает крайние даты того, что реально попало в счёт. Вышли за границы запроса - значит Qlik условие отбросил, и это видно сразу.
Проверки перед расчётом делает сам Qlik. Раскрытие переменных, синтаксис, имена полей, поля внутри модификатора - всё спрашивается у движка. Пакет проверок стоит 4 миллисекунды против секунд на расчеты гиперкуба. Собственный разбор формул регулярками убран целиком.
Несколько вопросов идут одним обращением. Список независимых запросов выполняется за те же пять обращений к Qlik, что и один. Три разных вопроса - за 0,16 секунды.
Даты пишутся одинаково везде. Раньше расчёт возвращал
Что было до этого
версия 1.9 научился отказывать вместо того, чтобы отвечать неверно. Несуществующее поле в группировке - отказ с подсказкой похожего имени, а не строка с общим итогом. В каждом ответе появились предупреждения: мера, которая везде ноль, SQL, написанный вместо выражения Qlik, пустой результат. Объекты листа стали отдавать поля и выражения, которыми они пользуются, - включая мастер-элементы и поля внутри фильтров.
версия 1.8 была про то, чтобы данные не терялись молча. Постраничная выборка переехала на сторону Qlik: раньше приложения за пределом лимита записей просто не существовали для сервера, а общее число врало.
Поиск по значениям поля тоже ушёл в движок - на поле с 200 тысячами значений локальный просмотр не мог найти совпадение в принципе.
Вызовы к движку сериализованы: параллельные обращения по одному сокету выбрасывали ответы друг друга.
Удалено 55 избыточных методов, это около 1180 строк, включая один, падавший на каждом вызове.
Там же схема в адресе стала определять транспорт целиком, а проверка сертификата выключилась по умолчанию: Qlik Sense отдаёт самоподписанный сертификат, и с включённой проверкой корректная установка не работала.
Количество настроек уменьшилось с 24 до 15 - но по факту, там теперь везде дефолтных хватает, не нужно отдельно ничего тюнинговать
Исходники и описание: https://github.com/bintocher/qlik-sense-mcp
С прошлого поста про 1.7.2 вышли четыре версии. Главное направление работы про то, чем работа с Qlik через модель отличается от работы с тем что умеют llm - "работа с бд".
Проблема, вокруг которой всё крутилось
Qlik почти никогда не отвечает ошибкой на кривой запрос.
Он отвечает числом.
- Сгруппировали по полю с опечаткой - Qlik посчитает имя за выражение, вернёт одну строку с общим итогом, и это выглядит как настоящий ответ.
- Отфильтровали по значению, которого в данных нет, получим аккуратную таблицу нулей.
- Написали фильтр по дате не в той форме - получим итог за весь период.
Ни в одном из случаев в ответе нет ничего, за что можно зацепиться. Для человека это неудобно, для модели - фатально: она процитирует число как факт.
Что сделано в 2.0
Вопрос описывается словами, а выражения пишет сервер.
{
"group_by": ["region_name"],
"metrics": [{"field": "amount", "agg": "sum"}],
"filters": [{"field": "order_date", "period": "2024"}]
}
Ни строчки синтаксиса Qlik. Модель не ошибается в том, чего не пишет.
Форму фильтра по датам сервер подбирает замером. Оказалось, что угадать её нельзя в принципе: сравнение внутри set-анализа идёт с тем, как значение выглядит на экране, а не с тем, как хранится. На поле, которое показывается как
01.01.2024, фильтр по числу 45292 не работает и молчит об этом. На соседнем поле, которое показывается голым числом, работает только он - и в шестьдесят раз быстрее.
Поэтому сервер сначала считает эталон, потом пробует дешёвый вариант и берёт его, только если ответ совпал.
Ответ можно проверить по нему самому. Расчёт за период возвращает крайние даты того, что реально попало в счёт. Вышли за границы запроса - значит Qlik условие отбросил, и это видно сразу.
Проверки перед расчётом делает сам Qlik. Раскрытие переменных, синтаксис, имена полей, поля внутри модификатора - всё спрашивается у движка. Пакет проверок стоит 4 миллисекунды против секунд на расчеты гиперкуба. Собственный разбор формул регулярками убран целиком.
Несколько вопросов идут одним обращением. Список независимых запросов выполняется за те же пять обращений к Qlik, что и один. Три разных вопроса - за 0,16 секунды.
Даты пишутся одинаково везде. Раньше расчёт возвращал
45292, а образцы значений того же поля - 01.01.2024.Что было до этого
версия 1.9 научился отказывать вместо того, чтобы отвечать неверно. Несуществующее поле в группировке - отказ с подсказкой похожего имени, а не строка с общим итогом. В каждом ответе появились предупреждения: мера, которая везде ноль, SQL, написанный вместо выражения Qlik, пустой результат. Объекты листа стали отдавать поля и выражения, которыми они пользуются, - включая мастер-элементы и поля внутри фильтров.
версия 1.8 была про то, чтобы данные не терялись молча. Постраничная выборка переехала на сторону Qlik: раньше приложения за пределом лимита записей просто не существовали для сервера, а общее число врало.
Поиск по значениям поля тоже ушёл в движок - на поле с 200 тысячами значений локальный просмотр не мог найти совпадение в принципе.
Вызовы к движку сериализованы: параллельные обращения по одному сокету выбрасывали ответы друг друга.
Удалено 55 избыточных методов, это около 1180 строк, включая один, падавший на каждом вызове.
Там же схема в адресе стала определять транспорт целиком, а проверка сертификата выключилась по умолчанию: Qlik Sense отдаёт самоподписанный сертификат, и с включённой проверкой корректная установка не работала.
Количество настроек уменьшилось с 24 до 15 - но по факту, там теперь везде дефолтных хватает, не нужно отдельно ничего тюнинговать
Исходники и описание: https://github.com/bintocher/qlik-sense-mcp
GitHub
GitHub - bintocher/qlik-sense-mcp
Contribute to bintocher/qlik-sense-mcp development by creating an account on GitHub.
1🔥8🏆2 2
#claude кажется включил по-умолчанию remote control, мне при старте сессии сразу прислал ссылку для браузера, и собственно вопрос я написал в браузере, а он улетел уже в терминал на компе
Причем мои внутренние команды (/build_epic) он тоже в браузере понимает. Клёво
Причем мои внутренние команды (/build_epic) он тоже в браузере понимает. Клёво
Please open Telegram to view this post
VIEW IN TELEGRAM
1🔥4
Вайб-салон в Москве, 4 сентября
Соберемся в неформальной обстановке за интеллектуальными беседами и интерактивами
Программа мероприятия Тренды бизнес-аналитики на 2026–27 «учебный год»:
ЛЕКЦИЯ
1. Культура работы с данными
▪️Базовые принципы, которые не устаревают при смене технологий.
▪️Как выстроить учет и данные так, чтобы не приходилось постоянно перепроверять сотрудников и вручную сводить отчеты.
2. ИИ для работы с отчетами
▪️Нейронки уже умеют строить дашборды, но остаются вопросы: можно ли доверять результатам и как работать с конфиденциальными данными.
▪️Вы увидите реальные кейсы, чего можно хотеть от ИИ
3. Вайбкодинг: свои ИТ-системы без бюджета
▪️Правда ли можно собрать свою 1С, CRM или BI-систему без команды программистов? Где уже можно экономить сотни тысяч на ИТ-разработках, и как не совершить ошибок.
ПРАКТИКА
1. Симулятор ИИ-аналитика
Будем задавать бизнес-вопросы ИИ-агенту и поймем, как найти с ним общий язык
2. Решение кейса в группах
Вы получите описание проблемы и набор данных, в команде с нуля разработаете аналитический дашборд и проверите, помогает ли он принять решения.
После таких практик каждый участник найдет для себя неожиданные открытия "Вау, а что так можно было!?"
———
Пятница, 4 сентября, Нижняя Сыромятническая,11, стр.1
19:00-22:00
Оргвзнос 2000 ₽. Скидка 10% специально для подписчиков канала @chernovdev
Регистрация
Соберемся в неформальной обстановке за интеллектуальными беседами и интерактивами
Vibe — потому что вайбкодинг, пятничный вечер и хорошее настроение🤓
Salon — потому что вечер в гостиной, с разговорами, идеями, музыкой и общением
Программа мероприятия Тренды бизнес-аналитики на 2026–27 «учебный год»:
ЛЕКЦИЯ
1. Культура работы с данными
▪️Базовые принципы, которые не устаревают при смене технологий.
▪️Как выстроить учет и данные так, чтобы не приходилось постоянно перепроверять сотрудников и вручную сводить отчеты.
2. ИИ для работы с отчетами
▪️Нейронки уже умеют строить дашборды, но остаются вопросы: можно ли доверять результатам и как работать с конфиденциальными данными.
▪️Вы увидите реальные кейсы, чего можно хотеть от ИИ
3. Вайбкодинг: свои ИТ-системы без бюджета
▪️Правда ли можно собрать свою 1С, CRM или BI-систему без команды программистов? Где уже можно экономить сотни тысяч на ИТ-разработках, и как не совершить ошибок.
ПРАКТИКА
1. Симулятор ИИ-аналитика
Будем задавать бизнес-вопросы ИИ-агенту и поймем, как найти с ним общий язык
2. Решение кейса в группах
Вы получите описание проблемы и набор данных, в команде с нуля разработаете аналитический дашборд и проверите, помогает ли он принять решения.
После таких практик каждый участник найдет для себя неожиданные открытия "Вау, а что так можно было!?"
———
Пятница, 4 сентября, Нижняя Сыромятническая,11, стр.1
19:00-22:00
Оргвзнос 2000 ₽. Скидка 10% специально для подписчиков канала @chernovdev
Регистрация
🔥8
zcode прокачался кстати, сейчас он более интересный стал, а еще они нахаляву токены раздают (пару дней назад было 300млн токенов for free)
пора тестировать https://zcode.z.ai/en
пора тестировать https://zcode.z.ai/en
🔥1😁1
Чернов пишет
zcode прокачался кстати, сейчас он более интересный стал, а еще они нахаляву токены раздают (пару дней назад было 300млн токенов for free) пора тестировать https://zcode.z.ai/en
мне эти токены не сильно актуальны, я и так на max тарифе (помните - а я всем писал - регайтесь, еще в январе! тогда было ппц как дешёво)
🔥2😁1🏆1
На вебинаре обсудим:
– чем Generative AI отличается от Agentic AI и почему схемы «запрос → ответ» уже недостаточно,
– почему семантический слой становится основой для работы ИИ-агента,
– как Dora работает поверх BI-систем, моделей данных, KPI и дашбордов,
– какие задачи выполняют специализированные ИИ-агенты Dora,
– как аналитика переходит от ответа на вопрос к сквозному процессу: анализ → поиск причин → отчёт → уведомление → действие,
– как Dora применяется в разных отраслях и бизнес-функциях.
– официальный представитель FanRuan,
– команда BI Consult (FineBI Platinum Partner),
– независимый эксперт, автор исследования АI в BI-круг Громова 2026.
➡️ Участие бесплатное! Количество мест ограничено.
#AgenticAI #GenAI #Dora #FineBI
Please open Telegram to view this post
VIEW IN TELEGRAM
🏆3🔥2
Anthropic: две новые флагманские модели - Claude Fable 5.1 и Mythos 5.1
https://chernovdev.ru/posts/2026-09-02-anthropic/
https://chernovdev.ru/posts/2026-09-02-anthropic/
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Круги Громова | Data & AI Research
Российский рынок Data Lakehouse перешёл от пилотных проектов к промышленным внедрениям. При этом рынок разделился на два архитектурных подхода, а информационная безопасность стала одним из главных критериев выбора платформы.
В исследование вошли 10 отечественных решений: MWS Data Lakehouse, Платформа Selena, Digital Q.DataFactory, CedrusData Platform, Data Ocean Nova, Tengri Data Platform, Arenadata Hyperwave, VK Data Platform, YTsaurus и Yandex Data Platform.
➡️ Отчёт даст ориентиры:
– чем отличаются интегрированные платформы от унифицированных систем,
– когда важнее гибкость и технологическая свобода, а когда – простота внедрения и сопровождения,
– какие компоненты и архитектурные подходы используют российские Data Lakehouse,
– на что обратить внимание при выборе платформы для корпоративного хранилища данных.➡️ Особое внимание уделено:
– драйверам перехода на Data Lakehouse – почему технология становится востребованной и какие задачи заказчиков стимулируют её внедрение,
– информационной безопасности – RBAC, сквозному управлению доступом, аудиту и Data Lineage,
– S3-хранилищу, которое фактически становится фундаментом производительности Lakehouse,
– AI/ML и AI-агентам: полноценные агентные возможности на российском рынке пока остаются скорее исключением, чем стандартом.
Получите актуальную картину российского рынка Data Lakehouse на 2026 год.
Круги Громова | Подписаться и стать частью Data-сообщества
#КругиГромова #DataLakehouse #DLH #DWH #исследование_КругиГромова
Please open Telegram to view this post
VIEW IN TELEGRAM
Скачать колёса зависимостей локально на запас
Как вам такое "размышление от llm"? 😆
😁2🏆1
Forwarded from Круги Громова | Data & AI Research
ИИ в бизнес-аналитике выходит за пределы обычного чат-помощника. Следующий этап – агентная аналитика и переход от модели «вопрос–ответ» к модели «задача–результат»: ИИ не просто отвечает на отдельный запрос, а самостоятельно планирует анализ, ищет нужные данные и инструменты, выстраивает многошаговую цепочку и выполняет действия.
В отчет «AI в BI-круг Громова 2026» вошли более 10 российских BI-решений с поддержкой AI-функций, среди которых: Yandex DataLens, Навигатор BI, Insight SOLARIS, PIX BI, Easy Report, DataForge AI, Glarus AI, Visiology Cortex, Luxms AI, Polyanalyst и ТЕРН ИИ Ассистент. Решения при этом разделены на 4 архитектурных подхода: встроенный ИИ, UI-помощник, внешний ИИ-агент и ассистент на семантическом слое.
➡️ Отчет поможет понять:
– чем генеративный AI-помощник отличается от полноценного ИИ-агента,
– какие архитектурные подходы к AI в BI уже представлены на рынке,
– насколько решения способны самостоятельно работать с данными и выполнять аналитические задачи,
– почему семантический слой становится фундаментом надежной агентной аналитики,
– как выбирать решение с учетом требований к безопасности, изоляции данных и российской инфраструктуре.🟣 Решения проверены по 55 критериям и сопоставлены по 6 функциональным слоям AI-агентов: доступ и понимание данных, подготовка и трансформация, семантический слой, визуализация и анализ, прогнозирование и наблюдаемость.
Отдельный блок посвящен российской специфике: локализации данных, закрытым контурам, требованиям реестра ПО и санкционным рискам.
Результаты представлены не как рейтинг, а как сравнение архитектурных подходов, уровней автономии и сценариев применения – скачать отчет бесплатно!
Используйте отчет как практический ориентир, чтобы оценить зрелость AI-функций в BI и сравнить подходы к агентной аналитике.
Круги Громова | Подписаться и стать частью Data-сообщества
#КругиГромова #AgenticBI #BI #ИИ #исследование_КругиГромова
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from (sci)Berloga Всех Наук и Технологий
Коллеги,
мы сейчас пытаемся заставить ллм продвигать математику. В нашем проекте CayleyPy у нас много гипотез которые идеально ложатся на ллм - с одной стороны они (вероятно) не супер сложны, с другой стороны достаточно нетривиальны.
Если у кого есть интерес к коллаборации в этом направлении - будем очень рады - напишите @alexander_v_c
Также, если у Вас есть доступы к мощным моделям или опыт в auto-research - Вы могли бы нам очень помочь.
мы сейчас пытаемся заставить ллм продвигать математику. В нашем проекте CayleyPy у нас много гипотез которые идеально ложатся на ллм - с одной стороны они (вероятно) не супер сложны, с другой стороны достаточно нетривиальны.
Если у кого есть интерес к коллаборации в этом направлении - будем очень рады - напишите @alexander_v_c
Также, если у Вас есть доступы к мощным моделям или опыт в auto-research - Вы могли бы нам очень помочь.
🔥3🏆1 1
Наткнулся на видосик, где идет "разбор" топ-моделек, понятно что он у каждого блогера свой, свои задачи и тд.
Но можно взять как отправную точку, если вы еще не в теме.
На х2 смотреть тоже можно
https://www.youtube.com/watch?v=tJtGu_legGU
Но можно взять как отправную точку, если вы еще не в теме.
На х2 смотреть тоже можно
https://www.youtube.com/watch?v=tJtGu_legGU