Leeroo 开源 Kapso：从企业数据中迭代学习的引擎

嘿 HN！我们是 Alireza 和 Majid，正在打造 Leeroo（https://leeroo.com/）。此前我们曾在 LinkedIn 和 Meta 为拥有数百万用户的产品构建 AI 系统，如今专注于为企业数据构建 AI 系统。今天，我们开源了 Kapso（https://github.com/Leeroo-AI/kapso），这是一个能够运行实验、部署最佳方案，并从每一次运行中学习的引擎。

数据工作的本质是迭代式的：调查、提出假设、做实验，再根据所学到的内容持续改进。在庞大而混乱的企业数据环境中，这种自下而上的过程是快速交付有意义成果的唯一途径。靠顾问在会议上收集背景信息，或者靠团队预先定义一套业务本体再去套数据，根本没有落地的可能——按季度算做不到，有时甚至要按年算。一个 AI 原生的系统应当自动完成这一过程，并让每一次新的调查和实施都能累积学习成果。

举例来说，我们的一个企业项目是把一家公司从旧的数据资产迁移到 lakehouse，涉及 30 多个源系统族、数千张表和转换逻辑，以及数百份 BI 报表。没有任何个人或 AI agent 了解这个数据资产是如何连接和运转的。唯一的学习方式就是深入调查该公司的代码仓库、dbt 模型、文档和数据本身，提出关于这套资产的假设，运行实验并从中学习，直到我们理解每个系统的行为方式以及在什么条件下会这样表现。

这种迭代工作不止于理解数据和系统如何拼合在一起，也涉及业务运营。构建有用的软件同样是迭代式的。无论你是在优化数仓、构建 lakehouse 管道，还是预测流失，都需要运行实验，弄清在当前环境中什么方案效果最好。随着你交付的项目越来越多，这些经验会不断累积，原理上类似 RL。仅仅把文档丢进 RAG 并没有太大价值，除非它已经在特定环境中被实际验证过，并且其后果已被学习到。和人类的工程工作一样，实验与学习应当在沙箱中进行。

我们正是为这类工作构建了 Kapso：你给它一个目标和成功标准，它就会朝着一个最优解努力，而该最优解可以直接部署到你的技术栈上。

你可以在这里观看视频演示：https://www.youtube.com/watch?v=W4FHlza1fRs 评论链接：https://news.ycombinator.com/item?id=50471281 点数：1 评论数：0