Agentic Coding + ClickHouse：1人1栈1应用，AI全栈几天搞定

摘要我在几天内用智能体编程 (Agentic Coding) 构建了一个完整的 AI 应用。关键的经验是：当数据平台能够原生处理复杂部分时，智能体编程才能真正发挥作用。开源组件、统一的 SQL 接口以及对 AI 友好的工具，是让你能够高效地在现有技术栈上进行构建，而不是与其“搏斗”的关键。 作为 ClickHouse 的解决方案架构师，我一直希望构建一个超越幻灯片和截图的演示，一个能让零售客户立刻代入自身场景的方案：一个名为 ClickShop 的全栈零售分析平台。该应用集实时分析（仪表盘能够在亚秒级查询数十亿行数据）、事务性工作流（订单管理、合同摄取、客户更新）、18 个针对不同业务角色（如 CEO、销售、数据分析师）定制的专业 AI 智能体，以及一个完整的可观测性堆栈于一体。该可观测性堆栈既涵盖了 LLM 追踪（通过 Langfuse 实现提示管理、成本跟踪和评估），也包括了基础设施监控（通过 ClickStack 实现指标、日志和分布式追踪）。我的目标是构建一个足够真实的系统，能够展示给客户并自信地说：“您的生产环境可以就是这个样子。” 然而，挑战在于：我既不是前端也不是后端开发人员，而且我只有几天的时间。这篇博客将详细介绍我是如何构建这个平台的，我做出了哪些架构决策，以及 ClickHouse 数据栈为何能让这一切成为可能。 以下是该应用在实际运行中的界面：一个 CEO 工作区，其中包含实时关键绩效指标 (KPI)、按地理区域划分的营收明细，以及一个能够查询实时 ClickHouse 数据并回答业务问题的 AI 智能体。 ClickShop 智能界面：高管仪表盘与 AI 智能体接口 待解决的问题 作为一名解决方案架构师，我的大部分时间都用于帮助客户设计数据架构：绘制图表、审查数据模式并解释查询优化。然而，当需要在真实应用场景中展示 ClickHouse 的实际能力时，单纯的幻灯片演示效果有限。我希望构建一个能够让零售客户一目了然，并立即理解该平台如何融入他们现有技术栈的系统。这不是一个简单的“玩具”演示，而是一个能够展现他们日常所需复杂性的真实应用：涵盖分析、事务处理、AI 和监控。 挑战在于，构建这类应用通常需要一个完整的团队耗费数月时间。我两者皆无。于是问题随之而来：一个人，借助 AI 驱动的 IDE 和合适的平台，能否构建出值得信赖的产品？ 其架构概览如下： 该应用的核心由三个层面构成： 前端层 (Next.js) 为不同业务角色提供定制化工作区。CEO、销售经理、数据分析师等，他们各自拥有专属的仪表板、数据范围和 AI 代理。数据层 融合了 ClickHouse 和 PostgreSQL 。ClickHouse 负责分析型工作负载，能够实现仪表板和报告所需的数十亿行数据亚秒级查询。PostgreSQL 则处理事务性操作，包括订单管理、客户更新和合同录入。 ClickPipes CDC (Change Data Capture) 负责将 PostgreSQL 的数据变更实时同步到 ClickHouse，确保分析结果始终反映最新状态。对于偏好使用 Python 的数据科学家， chDB （一个进程内 (in-process) ClickHouse 引擎）允许他们运行熟悉的 Pandas 工作流，而实际执行则在底层下推 (push down) 到 ClickHouse。代理层 ( LibreChat + LLMs) 赋能 18 个专业化的 AI 代理。LibreChat 负责管理对话和路由，每个代理都拥有独立的系统提示 (system prompt)、上下文 (context) 和数据范围 (data scope)。例如，CEO 代理能解释上周收入下降的原因；销售代理可识别当前热门产品；数据代理则协助编写和优化 SQL 查询。 在此基础上，该应用还配备了两个独立的可观察性 (observability) 层。这一区别至关重要，因为对 AI 应用的监控涉及两个截然不同的方面： 基础设施可观测性 ( ClickStack )：这属于经典的应用程序监控范畴。它通过 OpenTelemetry 收集指标（如 CPU、内存、请求延迟）、日志和分布式追踪，旨在回答以下问题：应用程序是否健康？API 调用是否缓慢？瓶颈究竟位于何处？LLM 可观测性 ( Langfuse )：这专为 AI 智能体设计。它追踪发送给 LLM 的每个提示 (prompt)、接收到的每个响应、每次调用的成本和延迟，并支持质量评估（包括自动化评分和人工审核）。它旨在回答不同的问题：这些智能体是否提供了高质量的答案？哪些提示需要调优 (tuning)？每次对话的成本是多少？ Langfuse 和 ClickStack 均基于 ClickHouse 运行。结合 ClickHouse Cloud 进行数据分析、由 ClickHouse 管理的 PostgreSQL 处理事务、以及 ClickPipes 负责数据移动，整个技术栈得以在单一平台上运行。 为什么选择智能体编程，又为何是当下？ AI 辅助编程已从最初的好奇心演变为工作流程中的标准组成部分。作为一名解决方案架构师，我注意到相关工具已足够成熟，足以实现我长久以来的一个想法：独立构建一个完整的演示应用，无需依赖工程团队。 此举的动机非常实际。当我与零售客户会面时，交流往往遵循相同的模式：他们希望了解 ClickHouse 如何处理他们的具体用例，这不仅仅是通过基准测试，而是通过一个模拟其真实环境的场景来展现。他们希望看到：具备真实数据的仪表盘、能解答业务问题的智能体，以及能展示底层运行情况的可观测性。幻灯片无法做到这一点，但一个真实运行的应用程序可以。 于是，我决定一试。我选择了 Cursor，这是一款能根据自然语言生成代码的 AI 驱动集成开发环境 (IDE)，并为自己设定了一个简单目标：构建一个用于客户会议的零售分析平台，且整个技术栈都运行在 ClickHouse 数据栈之上。 Cursor：AI 驱动的 IDE 本项目中使用的工具是 Cursor，一款能够根据自然语言提示 (prompt) 生成代码的集成开发环境 (IDE)。实际操作中，工作流程如下：您描述需求，Cursor 随即生成代码；您进行审阅，必要时进行调整，随后便可着手下一项功能。 对于本项目，开发循环过程十分直接： 1. 我用自然语言描述一个功能（例如：“创建一个仪表盘，显示过去 30 天按国家划分的收入，查询 ClickHouse”） 2. Cursor 生成前端组件、API 路由和 SQL 查询。 3. 我审查输出，在本地进行测试，并根据需要进行迭代。 4. 功能实现后，我将其推送到 GitHub ，Vercel 便会自动部署。 一个显著的优势在于 ClickHouse 是开源的，并且拥有广泛的文档。大型语言模型（LLMs）已经掌握 ClickHouse SQL、MergeTree 引擎系列等知识。同样，堆栈中的其他开源组件，如 PostgreSQL、LibreChat 和 Langfuse，也具备这一特点。由于这些项目拥有庞大的公共代码库和完善的文档，AI 能够从一开始就生成相关代码，从而减少了