Im Quellenvergleich
Worin die Quellen übereinstimmen
Ein Team aus dem Umfeld von SberTech hat einen autonomen Agenten für typische DBA-Aufgaben entwickelt und getestet. Der Agent führt VACUUM/ANALYZE aus, gibt Speicherplatz frei und plant Datenbank-Stopps. Er nutzt GigaChat als LLM und protokolliert seine Aktionen. Bei komplexen oder fehlgeschlagenen Fällen übergibt er Tickets mit der Markierung NO_AUTO_RESOLVE an Menschen. In beiden Testläufen ging rund 3 Prozent der Tickets an Menschen. Die Quellen berichten weitgehend übereinstimmend.
Worin sie sich unterscheidenAnzahl der bearbeiteten Tickets und Testzeitraum·Automatisierungsquote·Durchschnittliche Bearbeitungsdauer+8 weitere
Anzahl der bearbeiteten Tickets und Testzeitraum- In fünf Tagen ab dem 15. Mai bearbeitete das System 347 Tickets.1
- In 30 Tagen bearbeitete der Agent 10.182 Tickets, ein Plus von 2426 Prozent zum Vorzeitraum.2
Automatisierungsquote- Von 347 Tickets entfielen 309 (89 Prozent) auf VACUUM/ANALYZE, 31 (9 Prozent) auf Speicherbereinigung und 7 (2 Prozent) auf geplante Stopps.1
- 99,6 Prozent der 10.182 Tickets schloss der Agent automatisch.2
Durchschnittliche Bearbeitungsdauer- Die durchschnittliche Bearbeitung dauerte 2,5 Minuten gegenüber 30 Minuten manuell.1
LLM-Einsatz- GigaChat kommt in vier Szenarien zum Einsatz: im interaktiven Agenten mehrfach pro Anfrage, im autonomen Agenten einmalig zum Extrahieren strukturierter Daten aus dem Tickettext.1
- Die LLM kam nur in rund 10 Prozent der Fälle zum Einsatz, wo reguläre Ausdrücke nicht reichten.1
Token-Verbrauch- In 30 Tagen verbrauchte der Agent etwa 2,6 Millionen Token, im Schnitt 2500 Token pro LLM-Aufruf und weniger als 260 Token pro bearbeitetem Ticket.1
Anteil LLM-generierten Codes- Der Code des Agenten wurde zu 80 Prozent mit LLM-Unterstützung erzeugt.2
Beispielhafte Speicherbereinigung- Ein Beispielticket nennt eine Speicherbelegung von 92 Prozent (8,5 GB) vor und 3 Prozent (277 MB) nach der Bereinigung.2
Häufigste Fehlerursachen- Häufigste Fehlerursachen waren Zugriffsprobleme und fehlende Angaben im Ticket.1
Skalierung- Später bewältigte der Agent nach Angaben des Autors über 1000 Tickets pro Tag.1
Verlagerung von Routineaufgaben- Routineaufgaben wandern aus Pipeliner in den Agenten, was die Ausführung mindestens verdoppelt und die Abhängigkeit von CI/CD beseitigt.1
Eingeräumte Schwächen- Der Autor nennt keine konkreten Schwächen, räumt aber ein, dass rund 3 Prozent der Tickets an Menschen gingen und eine Feinabstimmung von autovacuum wünschenswert wäre.1