---
title: "Данные для Analytics Agent"
id: "1717"
type: "page"
slug: "for-analytics"
published_at: "2026-09-04T10:19:36+00:00"
modified_at: "2026-10-22T16:36:13+00:00"
url: "https://pastukhov.com/agents/data/docs/for-analytics/"
markdown_url: "https://pastukhov.com/agents/data/docs/for-analytics.md"
excerpt: "Data Agent служит источником данных для Analytics Agent. Вместе они образуют конвейер «собрал → подготовил…"
---

# Данные для Analytics Agent

[https://pastukhov.com/agents/data/docs/for-analytics/.md](https://pastukhov.com/agents/data/docs/for-analytics/.md)

Data Agent служит источником данных для Analytics Agent. Вместе они образуют конвейер «собрал → подготовил → показал»: Data Agent регулярно собирает данные и приводит их к единому виду, а Analytics Agent строит на них отчёты, графики и панели. Каждый продукт делает своё, и оба работают на вашем сервере.

## Как это устроено

Скрипты Data Agent выгружают данные в Parquet — это исходные данные, источник правды. Затем скрипт `load.py` собирает их в единую базу SQLite — именно эту базу использует Analytics Agent для визуализации. Parquet при этом остаётся рядом: по нему всегда можно проверить целостность данных, не трогая базу.

## Чтение отделено от записи

Analytics Agent работает с данными Data Agent **только по чтению**: строит отчёты, графики и панели по готовым базам, а запросы к ним ничего не меняют — данные можно смотреть, но не испортить. Ни базу, ни исходные файлы аналитик напрямую не правит.

Когда отчёт нужно добавить, исправить или расширить — например, в отчёте не хватает колонки или нужен еженедельный пересчёт, — Analytics Agent не трогает файлы сам, а передаёт работу Data Agent через его **защищённое API** (доступ по ключу, каждый вызов проверяется). По этому API он кладёт или заменяет скрипт, запускает его, обновляет данные и при необходимости ставит расписание — Data Agent проверяет и выполняет всё сам. Так что свежие данные появляются, а порядок в хранилище не нарушается.

## Что нужно сделать

1. Попросите агента в чате собрать нужные данные — он создаст источник, скрипты и запустит их.
2. После запуска `load.py` база появится в Lakehouse, а источник зарегистрируется автоматически (как — на странице [Источники данных](/agents/data/docs/sources) ).
3. В Analytics Agent подключите этот источник — раздел «Источники данных» в его документации — и стройте отчёты и графики.

## Пример: демо-конвейер

В Data Agent есть демонстрационный конвейер — симулятор данных рынка Forex: папка `forex-simulator/api` со скриптами `extract.py` и `load.py`. После запуска в Lakehouse появляется база `forex-simulator_api.sqlite` — готовый пример того, что получит Analytics Agent: источники, схемы, таблицы.

## Правила согласованности

- Parquet — всегда источник правды: исходные данные не пересобираются;
- SQLite — производная база: пересобирается каждый запуск, поэтому всегда соответствует последним исходным данным;
- README рядом с базой описывает её: откуда данные, какая структура, какие поля — Analytics Agent и человек понимают данные одинаково;
- данные меняет только Data Agent: Analytics Agent читает готовые базы, а любые добавления и исправления передаёт через его защищённое API, где каждый вызов проверяется.

Такой же связкой работают и шаблоны анализа в Analytics Agent (библиотека из 257 готовых решений: прогнозы, сегменты, скоринг, аномалии): агент адаптирует их скрипты под ваши данные и запускает их на Data Agent по его API. Подробнее — в разделе [Шаблоны анализа](/agents/analytics/docs/templates)
.

Подробнее о возможностях Analytics Agent — на странице [Аналитический агент](/agents/analytics)
.

Читайте также: [Lakehouse](/agents/data/docs/lakehouse)
, [Источники данных](/agents/data/docs/sources)
.

[← Оглавление документации](/agents/data/docs)