DuckDB CLI адаптировался под AI-агентов

DuckDB CLI адаптировался под AI-агентов

 

DuckDB представляет собой аналитическую базу данных, ориентированную на работу внутри процесса и не требующую отдельного сервера. Её интерфейс командной строки (CLI) в версии 2.0 получил специальный режим агента. Этот режим меняет формат вывода так, чтобы он лучше подходил для языковых моделей. Вместо привычных рамок и отступов инструмент выдаёт компактные таблицы, заранее предупреждает о стоимости тяжёлых запросов и возвращает ошибки в JSON. Такие изменения снижают число токенов, которые модель тратит на чтение ответа, и уменьшают риск неверных выводов из-за обрезанных результатов. Для инженеров, которые уже используют Claude Code, Cursor или Gemini CLI вместе с DuckDB, режим становится стандартным поведением при вызове через pipe. Перед внедрением стоит оценить, насколько часто в вашей команде запросы DuckDB передаются моделям и насколько критична экономия контекста.

 

Как CLI определяет, что перед ним агент

Обнаружение происходит по переменным окружения, которые ставят популярные инструменты. Список включает AI_AGENT, CLAUDECODE, CODEX_CI, CURSOR_AGENT, GEMINI_CLI и несколько ключей от GitHub Copilot. Если хотя бы одна переменная присутствует, stdout не подключён к терминалу и пользователь не указал формат явно, режим включается автоматически. Флаги -agent и -no-agent позволяют принудительно включить или выключить поведение независимо от переменных. Команда .show показывает, какой агент был распознан. Если агент не сообщил о себе переменной и запрос упал при записи в pipe, CLI выводит на stderr короткую подсказку о существовании режима. Таким образом, даже новые инструменты быстро узнают о возможности без документации. При решении о внедрении важно проверить, какие именно переменные окружения используют ваши внутренние скрипты и плагины IDE, чтобы режим срабатывал без дополнительных настроек.

 

Какие изменения получает модель

Вместо выровненных таблиц с рамками и типами под заголовками агент видит Markdown-таблицы без лишних пробелов. Типы данных теперь указываются прямо в заголовке ячейки через двоеточие. При обрезке результата появляется явная строка «результат обрезан», а не просто многоточие, которое модель может пропустить. Длинные запросы сначала сообщают ожидаемую стоимость, и агент решает, стоит ли ждать. Ошибки возвращаются в структурированном JSON вместо текста, поэтому парсинг не требует регулярных выражений. Все эти правила работают только по умолчанию: явные настройки .mode, .maxrows или EXPLAIN FORMAT имеют приоритет. Режим не затрагивает интерактивную работу человека в терминале. Для команд, выбирающих, стоит ли переводить существующие пайплайны на агентский режим, полезно понимать, что выигрыш проявляется главным образом при передаче больших результатов и при обработке ошибок, а не при простых запросах с малым объёмом вывода.

 

Эксперимент с TPC-H запросами

Claude Code получил 22 вопроса TPC-H на наборе scale factor 100 и должен был ответить на естественном языке без готового SQL. TPC-H здесь выступает как стандартный набор аналитических запросов, используемый для оценки производительности баз данных. Каждый вопрос запускался по три раза с агентским режимом и без него. Все 132 прогона дали правильный ответ. Объём текста, который модель прочитала из вывода DuckDB, сократился с 123,6k до 50,8k токенов, то есть на 59 %. Общая стоимость и время выполнения при этом почти не изменились, потому что системный промпт агента значительно больше, чем вывод запроса. Число шагов слегка выросло: 237 против 224. Разница в токенах на уровне всего разговора составила около 0,5 %. Результаты показывают, что основная выгода — не в экономии денег, а в снижении вероятности ошибок из-за лишнего текста и обрезанных таблиц. При оценке целесообразности внедрения стоит учитывать, что экономия проявляется в первую очередь в стабильности ответов, а не в заметном снижении расходов на API.

 

Что важно учитывать при внедрении в своём контуре

В российских командах DuckDB часто используют локально или внутри закрытых сетей, где агенты запускаются через скрипты CI или внутренние IDE-плагины. Режим автоматически срабатывает при тех же переменных окружения, поэтому не требует изменения кода агентов. При этом важно помнить, что если скрипт явно задаёт -csv или -json, агентский формат не включится. Для отладки можно добавить -agent в командную строку и проверить вывод через .show. Поскольку DuckDB остаётся полностью локальным инструментом, никаких внешних сервисов подключать не нужно. Командам, которые уже передают вывод DuckDB в модели, стоит включить режим хотя бы на тестовых прогонах, чтобы оценить сокращение контекста и стабильность ответов на реальных запросах. Перед массовым применением рекомендуется проверить совместимость с текущими скриптами форматирования и убедиться, что автоматическое определение агента не конфликтует с существующими переменными окружения в CI-окружении.

 

Источник

Это краткий разбор материала DuckDB. Полная версия с примерами кода, схемами и деталями реализации — в оригинале: DuckDB CLI адаптировался под AI-агентов.

Курс по теме — Каталог курсов Школы Больших Данных

 

ИИ-агенты для оптимизации бизнес-процессов

Код курса
AGENT
Ближайшая дата курса
14 декабря, 2026
Продолжительность
24 ак.часов
Стоимость обучения
66 000