Grab: мультиагентная ИИ-система разгружает поддержку хранилища данных ADW

Команда Analytics Data Warehouse (ADW) Grab поддерживает более 1000 пользователей в месяц и репозиторий из более чем 15 000 таблиц, который обслуживает примерно половину всех запросов в озере данных. Ответы на «быстрые вопросы» отнимали у инженеров около 40% времени, то есть примерно два дня в неделю: определения данных, поиск источников и разбор сбоев, проверки качества и простые доработки. Ответ пользователю требовал нескольких часов ручного поиска по каталогам, lineage, SQL и логам. Команда решила автоматизировать этот поиск контекста и освободить инженеров для сложных задач.

Grab построил мультиагентную ИИ-систему на FastAPI и LangGraph; Redis и PostgreSQL хранят кэш, историю диалогов и метаданные агентов. Запрос из Slack попадает в один из двух потоков. Просьбы о доработках получает Enhancement Agent: он собирает контекст, пишет код, создаёт merge request и запускает изменения в тестовой среде. Общие вопросы обрабатывают Data Agent (Trino, Hive, Delta Lake), Code Search Agent (GitLab) и On-call Agent (Confluence и Slack); итоговый ответ формирует Summarizer. Агенты опираются на внутренние платформы Hubble, Genchi и Lighthouse.

Система публикует ответы в Slack сразу и помечает их как непроверенные; затем инженер подтверждает ответ, правит его или направляет вопрос конкретному агенту. Доработки кода остаются полуавтоматическими: человек проверяет merge request и результаты тестов и принимает решение о слиянии. Разметка ответов инженерами используется для улучшения промптов. По словам команды, первый ответ приходит за несколько минут вместо многочасового ручного поиска, очередь обращений фактически исчезла, а команда высвободила несколько FTE инженерного времени и сотни часов, переданных с реактивной поддержки на задачи дорожной карты.