Agent IA — interrogation data warehouse

Agent IA agentique qui explore un data warehouse en langage naturel et répond aux questions business avec visualisations auto-générées.

Période: 2025 — présent
Rôle: Lead AI Engineer
Contexte: Meet My Mama
Stack: 8 technos

TypeScript React Supabase Edge Functions PostgreSQL OpenRouter DeepSeek Gemini MCP-like Tool Calling

Le contexte

Les équipes ops, sales et finance demandaient quotidiennement des extractions SQL à l’équipe data (“CA du mois ?”, “Top 10 clients Q1 ?”, “Taux de churn par cohorte ?”). L’agent a été conçu pour leur donner un accès direct, autonome et fiable au data warehouse — en langage naturel.

Ce que fait l’agent

Un agent IA agentique : le LLM n’a pas simplement accès au schéma. Il raisonne en plusieurs étapes :

Comprend la question business
Explore le schéma de la base
Échantillonne les données pour valider ses hypothèses
Écrit le SQL
Génère la visualisation appropriée (KPI, line chart, bar chart…)
Propose des questions de follow-up

Architecture

┌─────────────────────────────────────────────────────────────┐
│                   Frontend (React + Vite)                    │
│  · ChatView avec animation "agent thinking"                  │
│  · Typeahead IA · Génération de follow-ups                   │
└─────────────────────────┬───────────────────────────────────┘
                          ▼
┌─────────────────────────────────────────────────────────────┐
│              Supabase Edge Functions (Deno)                  │
│  · data-chat       — agent principal + tool calling          │
│  · suggest-questions — suggestions IA                        │
│  · generate-title    — titres de conversation                │
└─────────────────────────┬───────────────────────────────────┘
                          ▼
┌─────────────────────────────────────────────────────────────┐
│                      OpenRouter API                          │
│   Primary: deepseek-chat (excellent SQL, peu cher)           │
│   Fallback: gemini-2.5-flash                                 │
└─────────────────────────────────────────────────────────────┘

Caractéristiques techniques

Tool calling MCP-like

6 outils exposés au LLM : list_tables, describe_table, sample_rows, execute_sql, save_chart, validate_query. L’agent choisit lui-même la séquence d’appels.

Multi-agent router

Le routeur classifie la requête entrante et la dispatche vers le bon agent (data warehouse vs questions sur les outils internes).

Système d’apprentissage

Les requêtes validées par les utilisateurs sont stockées et injectées en few-shot pour améliorer la précision sur des questions similaires.

Bot Slack

L’agent répond aussi directement dans Slack avec gestion de clarifications (l’agent pose une question quand la demande est ambiguë).

Aperçu en action

L’agent renvoie systématiquement la donnée brute (table exportable en CSV) et une visualisation (KPI / chart) générée automatiquement. L’utilisateur peut valider ou rejeter la réponse — feedback qui alimente le système d’apprentissage.

Résultat avec table de deals et KPI nombre de deals

Impact

Time-to-answer divisé par ~10 pour les questions data récurrentes
L’équipe data se concentre sur le data engineering, plus sur les extractions ad-hoc
Adoption interne forte : utilisé quotidiennement par ops, sales, founders

Mon rôle

Conception bout-en-bout : architecture agent, prompt engineering, edge functions, intégration Slack, UI React, multi-agent routing.