Вести с полей DVT: Codex собирает прогноз затрат через MCP

Работаем, про ИИ не забываем - опыты делаем. 

Разработчики принесли очередные «вести с полей DVT»: на этот раз подключили Codex к DVT через MCP и поставили AI-агенту прикладную задачу - собрать проект прогнозирования затрат на шесть месяцев вперёд. 

Получилась не постановочная AI-демонстрация, где всё срабатывает с первой попытки. 
Codex собирает pipeline в DVT, запускает его, сталкивается с ошибками, разбирается со структурой данных, меняет проект и повторяет расчет. 

Именно такой сценарий нам сейчас и интересен.

Что проверяем 

Эксперимент строится вокруг простой идеи: может ли AI работать не только с текстом или отдельным фрагментом кода, а взаимодействовать с инструментами data-платформы и последовательно выполнять задачу внутри проекта обработки данных. 

Схема выглядит так: 



В качестве тестовой задачи выбрали прогнозирование затрат на следующие шесть месяцев. 

Codex получает задачу, через MCP взаимодействует с доступными инструментами DVT и начинает собирать проект обработки данных. 

Это пока эксперимент, а не анонс готовой AI-функции DVT. Сейчас команда проверяет сам подход: какие действия можно передавать агенту, где ему хватает контекста, как он реагирует на ошибки и насколько далеко способен пройти по задаче без ручной сборки каждого этапа.

Что сделал Codex 

В ходе эксперимента AI-агент: 

• получил задачу на прогноз затрат; 
• изучил доступные данные и структуру проекта; 
• сформировал первый вариант pipeline в DVT; 
• создавал и изменял узлы обработки данных; 
• запускал проект; 
• получал ошибки выполнения; 
• анализировал причины ошибок; 
• корректировал структуру pipeline; 
• повторно запускал расчеты; 
• проверял сформированный результат. 

То есть речь идет уже не только о сценарии «AI написал SQL или Python». 

Интереснее цепочка: 

Что получилось 

В эксперименте Codex дошел до рабочего проекта расчета прогноза затрат на шесть месяцев. 

По пути были и успешные запуски, и ошибки. Мы сознательно не убирали их из демонстрации: именно на таких моментах видно, как агент ведет себя, когда реальная работа с данными отличается от идеального сценария. 

Сам прогноз затрат здесь скорее полигон для проверки подхода. 

Для DVT интереснее другой результат: AI-агент получает возможность работать с инструментами платформы через MCP и участвовать в сборке data pipeline как последовательного процесса, а не ограничиваться генерацией ответа в чате.

Почему это интересно 

Если развивать этот подход дальше, AI можно проверять на задачах, которые сейчас состоят из множества отдельных действий разработчика или аналитика. 

Например: 



Это не означает, что специалист исчезает из процесса. 

Скорее меняется уровень взаимодействия: вместо ручного выполнения каждой технической операции часть работы можно попытаться передать агенту, оставив человеку постановку задачи, контроль логики и проверку результата. 

Для ETL и Data Engineering такой сценарий особенно интересен там, где проект состоит из повторяющихся операций со структурой данных, трансформациями, проверками и запусками.

Что проверим дальше 

Эксперименты продолжаем. 

Следующие сценарии, которые можно попробовать передать AI-агенту: 

• прогноз продаж; 
• анализ остатков; 
• подготовка данных по закупкам; 
• расчёт cash flow; 
• поиск аномалий; 
• сборка аналитической витрины; 
• диагностика ошибок существующего pipeline; 
• доработка уже созданного проекта DVT. 

Так что «Вести с полей DVT» еще будут пополняться.

Если есть задача, которую стоит попробовать отдать Codex через MCP, - присылайте идеи. 
Самые интересные сценарии возьмем для следующих экспериментов.

Видео эксперимента 

AI + DVT: Codex собирает прогноз затрат на 6 месяцев 



Подробнее о DVT

Попробовать DVT

Документация DVT