LangChain: zelfservice analyticsvragen 40x vergroot met AI-context

Samenvatting

LangChain vergroot zelfservicevragen 40x met gelaagde context voor zijn AI-analyticsagent.

LangChain en gelaagde context: wat er gebeurt

LangChain bouwde in Hex een AI-analyticsagent die vragen beantwoordt met context uit het dbt-project, BigQuery en de interne documentatie. Het resultaat: het aantal zelfservicevragen voor analytics groeide 40x.

De eerste contextlaag bestaat uit tabel- en kolombeschrijvingen uit dbt, die LangChain naar BigQuery synchroniseert. De agent heeft daarnaast toegang tot de dbt-repository en DAG, zodat hij ook SQL-logica en afhankelijkheden tussen modellen kan interpreteren. Daarbovenop gebruikt het team in Hex markdown-bestanden met bedrijfsbegrippen, een semantische laag voor metrics en joins, en endorsements voor vertrouwde marts en dashboards.

Waarom LangChain en dbt-context belangrijk zijn

Een taalmodel kent de interne definities van een bedrijf niet automatisch. Een veld als accountstatus krijgt daarom pas betekenis wanneer de documentatie uitlegt welke waarden horen bij actieve contracten, opgezegde contracten en prospects. LangChain moest zijn documentatiestijl daarop aanpassen.

De aanpak koppelt technische metadata aan bedrijfsregels. De workspace guides staan in de dbt-repository en komen via een GitHub Action in Hex terecht. Zo blijft de uitleg versiebeheerbaar en beschikbaar voor andere agents. De semantische laag zorgt dat een omzetmetric en de bijbehorende joinrelaties in code zijn vastgelegd.

Endorsements voegen een selectie toe: alleen aangewezen modellen en dashboards gelden als vertrouwde bron. Een wijziging aan een endorsed dashboard vraagt eerst beoordeling door het datateam. Daarmee verschuift de taakverdeling: het team beantwoordt niet langer elke losse vraag, maar beheert de context waarop afdelingen zelf zoeken.

Concrete takeaway voor LangChain-context

Maak AI-analytics niet afhankelijk van losse promptteksten. Leg definities vast in dbt, beheer bedrijfsuitleg in de repository, codeer metrics en joins in een semantische laag en beperk endorsements tot gecontroleerde bronnen. Controleer bovendien hoe wijzigingen in het bedrijf doorwerken in die context, want LangChain beschrijft dat de bedrijfsverandering soms sneller gaat dan de documentatie.