Ktx: 데이터 에이전트 정확도 보정을 위한 실행 가능한 컨텍스트 계층

Ktx는 Claude Code, Codex, Cursor, OpenCode 같은 AI 에이전트가 데이터 웨어하우스를 정확하게 쿼리할 수 있도록 설계된 오픈소스 실행 가능 컨텍스트 레이어입니다. Kaelio 팀은 수십 개 기업을 대상으로 프로덕션급 데이터 에이전트를 구축한 결과, 정확성이 가장 큰 문제라는 것을 발견했습니다. 에이전트는 유효한 SQL을 생성하지만, 오래된 컬럼, 숨겨진 비즈니스 규칙, 조인 팬아웃, 누락된 속성 로직 등으로 인해 종종 부정확합니다.
Ktx는 이 문제를 두 부분으로 나눕니다:
- 비즈니스 컨텍스트는 자동으로 수집, 정리, 중복 제거 및 모순 플래그가 지정된 마크다운 위키 페이지에 저장됩니다.
- 쿼리 가능한 정의는 테이블, 행 단위, 조인, 측정값, 차원, 필터 및 필터 그룹을 정의하는 YAML 파일에 저장됩니다.
에이전트가 메트릭이 필요하면 전체 쿼리를 작성하는 대신 ktx에 측정값, 차원 및 필터를 요청합니다. Ktx의 플래너는 조인 경로를 선택하고, 단위 및 관계 메타데이터를 사용하며, 조인 팬아웃 및 체이즘 조인과 같은 문제를 포착하고, 수집된 문서의 비정형 지식을 활용하면서 웨어하우스 SQL을 컴파일합니다.
Ktx는 대부분의 웨어하우스(BigQuery, Snowflake, Postgres, ClickHouse, MySQL, SQL Server, SQLite), 모델링 도구(dbt, MetricFlow, LookML), BI 도구(Looker, Metabase), 그리고 Notion과 같은 문서 도구와 통합됩니다.
빠른 시작
npm install -g @kaelio/ktx
ktx setup
ktx status
설정 후 ktx status는 LLM, 임베딩, 데이터베이스, 컨텍스트 소스 및 에이전트 통합에 대한 준비 상태를 확인합니다.
첫 번째 명령어
ktx setup # ktx 프로젝트 생성, 재개 또는 업데이트
ktx status # 프로젝트 준비 상태 확인
ktx ingest # 구성된 모든 연결에 대한 컨텍스트 구축
ktx sl "revenue" # 시맨틱 소스 검색
ktx wiki "refund policy" # 로컬 위키 페이지 검색
ktx mcp start # 에이전트 클라이언트용 MCP 서버 시작
에이전트 사용자는 프로젝트 디렉토리에서 npx skills add Kaelio/ktx --skill ktx를 실행하여 ktx를 스킬로 설치 및 구성하세요.
대상 사용자
다음과 같은 경우 ktx를 사용하세요: Claude Code나 Codex와 같은 에이전트가 승인된 메트릭 정의로 웨어하우스를 쿼리하게 하려는 경우, dbt, Looker, Metabase, Notion에 분산된 비즈니스 지식이 있는 경우, 또는 에이전트가 매번 새로 생성하는 대신 표준 SQL을 재사용하도록 하려는 경우. SQL 웨어하우스가 없거나 일회성 임시 쿼리만 필요한 경우에는 사용하지 마세요.
📖 전체 소스 읽기: HN AI Agents
👀 See Also

로컬 트렐로 스타일 프로젝트 매니저 for OpenClaw 에이전트
한 개발자가 OpenClaw AI 에이전트와 함께 사용할 수 있도록 Trello 기능을 모방한 로컬 프로젝트 관리 도구를 만들었습니다. 이 시스템은 클라이언트 프로젝트 데이터에 대한 보안 우려로 인해 AI 에이전트를 외부 서비스에 연결하지 않기 위해 특별히 구축되었습니다.

오픈클로 클라이언트, 실시간 API 비용 추적 및 지출 한도, 세부 에이전트 제어 기능 추가
OpenClaw Client는 이제 원형 진행 막대가 있는 실시간 사용량 UI, 에이전트별 지출 한도, 하위 에이전트 관리, 스킬 토글 및 여러 제공업체의 모델 전환 기능을 제공합니다.

클로드 워크플로우의 핸드오프 패턴: 두 파일 분할 방식과 한 문서 요약 방식
긴 Claude 세션은 컨텍스트 소멸로 인해 성능이 저하됩니다. 핸드오프는 중요한 정보를 압축하고 새로운 에이전트를 시작하여 이 문제를 해결합니다. 두 가지 구현 방식이 커뮤니티에서 논의되고 있습니다: Matt Pocock의 단일 문서 핸드오프 스킬과 APM 멀티 에이전트 프레임워크에서 사용되는 대안적인 두 파일 분할 접근법입니다.

Qwen 3.5 35B가 llama.cpp 구성으로 8GB VRAM에서 실행 중입니다
한 개발자가 RTX 4060m(8GB VRAM)에서 Qwen 3.5 35B(Q4_K_M GGUF)를 실행하는 llama.cpp 설정을 공유하며, 700 t/s 프롬프트 처리와 42 t/s 생성 속도를 달성했고, VSCode에서 Cline을 kat-coder-pro 및 qwen3.5 모드로 사용하는 방법을 논의합니다.