跳到正文
Hacker News (official RSS)(news.ycombinator.com)·· 10 天前精選品質評分78

Leeroo 開源 Kapso,透過迭代實驗累積企業資料環境知識

Show HN: Kapso – Iterative learning from enterprise data

重點導讀

Leeroo 開源 Kapso,這是一套能執行實驗、部署最佳方案,並從每次執行中累積經驗的企業資料工程引擎。

  • - 運作方式:經驗庫儲存過往實驗歸納的經驗,包含可信度分數、適用條件與證據。
  • 系統依此提出並排序實驗構想,再由驗證模組檢查結果。

AI 伴隨問答

自備 Key 深度分析

針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:

推薦理由

Kapso 把實驗結果整理成帶有適用條件與證據的經驗庫,並支援版本比較,呈現一種讓企業資料工作累積環境知識的做法。

正文 · 中文翻譯

嗨,HN!我們是 Alireza 和 Majid,正在打造 Leeroo(https://leeroo.com/)。過去我們曾為擁有數百萬名使用者的產品打造 AI 系統,包括在 LinkedIn 和 Meta 任職期間的工作。現在,我們專注於為企業資料打造 AI 系統。今天,我們開源了 Kapso(https://github.com/Leeroo-AI/kapso),這是一套能執行實驗、部署最佳解決方案,並從每次執行中學習的引擎。

資料工作的本質是反覆迭代:調查、提出假設、進行實驗,並根據學到的內容持續改進。在大型、混亂的企業資料環境中,這種由下而上的流程是快速交付有意義成果的唯一方法。顧問透過會議蒐集背景資訊,或團隊事先定義商業本體論,好讓資料符合其中,這些做法根本無法落實,往往得花上數季,有時甚至數年。以 AI 為核心的系統應該自動化這個流程,讓每次新的調查與實作都能累積所學。

舉例來說,我們的一個企業專案是協助一家公司捨棄舊有資料環境,轉移到湖倉架構;該環境包含 30 多種來源系統、數千個資料表與轉換流程,以及數百份 BI 報表。沒有任何個人或 AI 代理程式知道這套資料環境如何串聯與運作。要了解它,唯一的方法就是調查公司的程式碼儲存庫、dbt 模型、檔案和資料本身,對整套環境提出假設、進行實驗並從中學習,直到我們瞭解每個系統的行為及其適用條件。

反覆迭代的工作不只在於瞭解資料與系統如何配合運作,也包括瞭解業務營運。打造實用軟體同樣需要反覆迭代。無論是最佳化資料倉儲、建置湖倉管線,還是預測客戶流失,都需要進行實驗,瞭解在該環境中什麼方法最有效。交付更多專案後,這些經驗就會不斷累積,原理上類似 RL。除非在特定環境中實際試用並瞭解後果,否則透過 RAG 擷取檔案的價值不大。就像人類的工程工作一樣,實驗與學習都應在沙盒中進行。

我們打造 Kapso,就是為了處理這類工作。你只要提供目標和成功標準,它就會找出最佳解決方案,並朝著部署在你的技術堆疊上努力。

你可以在這裡觀看影片導覽:https://www.youtube.com/watch?v=W4FHlza1fRs

以下是它的運作方式……

Kapso 有一個經驗庫,收錄從過往實驗歸納或推演出的經驗;每項經驗都附有可信度分數、適用條件,以及背後的證據。每次進行新實驗時,構想模組會參考先前的經驗提出想法,依據預期報酬與各項想法所需的預算重新排序,再將排名最高的想法交給實作模組。由於經驗庫會持續從該環境中的過往實驗學習,提出的想法會比 LLM 或 RAG 產生的通用假設更適合該環境。此外,每項實驗的結果都會由驗證模組確認,實驗無法存取或欺騙該模組。根據我們建置這類系統的經驗,有時成功標準和評估測試也需要持續調整。實驗模組可以提出指標與標準的更新,再交由驗證模組核准或拒絕。

每次執行後,learn() 都會根據該次執行取得的證據,更新經驗法則庫中的分數和邊界。也可以透過執行其他條件完全相同、僅使用先前版本與更新版本經驗法則庫的建置,對庫中的變更進行 A/B 測試。經驗法則庫以 git 建置,因此你可以與他人分享經驗、列出可用的經驗法則庫並更新它們(CLI 指令為 `kapso experience share/list/update`)。這套系統不繫結特定模型或程式開發代理。

kapso.deploy(solution, target_stack) 遵循相同的工作流程,並以較短的實驗迴圈,將最佳解法調整至目標技術堆疊(例如 Docker、Modal、BentoCloud、LangGraph)。每個領域都有可供起步的 harness;你可以在外掛程式中使用 /kapso:harness,或透過 CLI(kapso harness new <name>)撰寫自己的領域 harness,再透過執行實驗逐步累積成果。

我們在一些公開基準測試和現場競賽中進行測試,結果如下……

- 關聯式資料庫的預測建模:在 RelBench、Kumo AI(現為 Nvidia)與 Stanford 的基準測試中名列第一,勝過最佳表格基礎模型(https://star-project.stanford.edu/relbench/leaderboard/)。這顯示,將學習過程放在 harness 層級,可以勝過表格基礎模型。更新經驗法則庫的成本遠低於重新訓練表格基礎模型。

- ML 工程:在提交時於 OpenAI 的 MLE-bench 名列第一,目前仍是頂尖的開源系統之一(https://github.com/openai/mle-bench/pull/107)。

- AI 競賽:表現勝過 Sakana AI 的 ALE-Bench 作者所公佈的最佳代理,並在 2026 年國際 AI 奧林匹亞競賽現場自主運作,成績高於全部 471 位人類參賽者,並位居 AI 系統前三名(https://ioai-official.org/ai-models-track/ioai%c2%b2-2026-re...)。

我們在 Leeroopedia 公開提供 ML 與資料領域的經驗法則庫(https://leeroopedia.com/):透過論文和程式碼儲存庫實驗整理出約 100k 個頁面,每月約有 6M 次請求,其中約 28% 來自 AI 代理。

我們將一家成立 30 年的企業數十年間累積在多個舊系統中的資料資產,遷移至現代化的 lakehouse。這項工作包括建立新的資料管線、資料模型和報表。專案停滯了一年多後,我們在幾週內完成。瞭解資料資產與建置工作同步進行,每次發現都會影響下一步的建置方向。到專案結束時,我們累積的知識也讓我們找出資料資產在架構和實作上的重大成本降低機會。

如果你任職於持續成長的公司,資料資產分佈在多個系統與部門,且資料與 AI 團隊人力吃緊,我們很樂意提供協助!

https://github.com/Leeroo-AI/kapso

來源: Hacker News (official RSS) (news.ycombinator.com)
開啟原文

讀者討論

理性交流 · 即時討論