Skip to main content
Les charges de travail d’IA imposent un ensemble constant d’exigences, quel que soit le cas d’usage :
  • forte simultanéité des requêtes
  • temps de réponse inférieurs à une seconde
  • données exhaustives à grande échelle
Ce document explique comment ClickHouse répond à ces exigences dans l’analytics en temps réel, le data warehousing et l’observability, et comment ces cas d’usage convergent vers une plateforme de données unifiée pour les applications agentiques.

​
ClickHouse pour les charges de travail agentiques

Les fonctionnalités d’application alimentées par l’IA, comme les insights générés, la détection d’anomalies, les recommandations et les interfaces en langage naturel pour les données produit, exigent toutes une boucle de rétroaction étroite entre les écritures transactionnelles et les lectures analytiques. L’architecture de référence est Postgres + ClickHouse :
  • Postgres gère les transactions et l’état de l’application, tandis que ClickHouse gère l’analytique.
  • ClickHouse offre une ingestion rapide, des requêtes en moins d’une seconde sur des milliards de lignes, ainsi que les niveaux de concurrence qu’exigent les applications orientées client.
À mesure que les applications deviennent agentiques, cette association gagne encore en importance. Les agents doivent interroger en continu les données produit en temps réel, ce qui augmente à la fois la fréquence des requêtes et la concurrence. ClickHouse répond à ce besoin avec une intégration Postgres + ClickHouse native qui assure la réplication automatique des données et une expérience développeur unifiée, sans avoir à gérer un pipeline CDC distinct.

​
Convergence du data warehousing et de l’observability

Le data warehousing et l’observability ont historiquement été des domaines distincts, avec des fournisseurs, des acheteurs et des stacks séparés. Cette séparation relève de plus en plus d’une convention plutôt que d’une exigence technique. Les deux domaines s’appuient désormais sur le stockage objet. Tous deux nécessitent des requêtes interactives, à faible latence, avec un haut niveau de concurrence. Et au niveau des données, les mêmes événements sont souvent stockés deux fois — une fois dans une plateforme d’observability et une fois dans un entrepôt de données — avec entre les deux une couche de synchronisation fragile. Le fait de tout stocker une seule fois dans des formats ouverts, interrogeables à la fois par les outils AI Analyst et AI SRE, élimine cette duplication et rend le contexte disponible dans les deux workflows.

​
La couche de plateforme : interfaces adaptées aux agents et observability des LLM

Deux composants supplémentaires sont nécessaires aux côtés de la base de données pour disposer d’une plateforme complète d’analytics agentique. Interfaces adaptées aux agents Lorsque les agents IA constituent l’interface principale avec les données, la plateforme de données doit exposer ses fonctionnalités d’une manière que les agents puissent exploiter — API compatibles avec MCP, interfaces en langage naturel et frameworks d’agents qui s’intègrent sans développement sur mesure pour chaque cas d’usage. L’Agentic Data Stack combine ClickHouse et LibreChat pour offrir une solution clé en main permettant de déployer des agents d’analytics sur vos données. Observability des LLM À mesure que les agents se multiplient, le traçage de leur exécution, le suivi des performances des modèles, le suivi des coûts et le débogage des échecs dans des workflows en plusieurs étapes deviennent des exigences d’ingénierie essentielles. Langfuse s’exécute sur ClickHouse Cloud pour fournir une observability des LLM en temps réel à grande échelle.
Dernière modification le 3 juillet 2026