LLM — главный новый инструмент аналитика 2026. YandexGPT (через Yandex AI Studio), ChatGPT/GPT-4o, Claude Sonnet — все умеют писать SQL по описанию, объяснять чужой код, ревьюить запросы. Но они врут. Этот гайд — как использовать LLM профессионально: что доверять, что НЕ доверять, как промптить.
5 задач аналитика, в которых LLM реально помогает
- Скелет SQL по описанию: «Напиши запрос — топ-10 пользователей по выручке за прошлый квартал». LLM выдаёт ~80% правильно за 5 сек, дольше с CTE и window. Проверять обязательно — никто не отменял EXPLAIN.
- Объяснение чужого кода: легаси-запрос в 200 строк — LLM делает breakdown по блокам. Экономит 30-60 мин на ревью.
- Перевод между диалектами: PostgreSQL → ClickHouse, MySQL → Snowflake. Сложные функции иногда теряются, но boilerplate — точно.
- Code review: «Найди потенциальные проблемы performance в этом запросе». LLM находит SELECT *, missing WHERE, fan-out JOIN. Не лучше senior DBA, но полезно для junior.
- Документация: автогенерация описаний к dbt-моделям, к таблицам, к dashboard'ам. Скорее всего на 70-80% сразу OK.
Что LLM делает ПЛОХО
| Задача | Почему ломается |
|---|---|
| Сложные window-функции с frame ROWS/RANGE | Confusion между ROWS и RANGE, дублирует rows |
| Recursive CTE | Часто бесконечный цикл, забывает termination condition |
| Performance optimization без EXPLAIN | LLM не видит реальный план, guess-and-check |
| Schema-specific квирки | ClickHouse uniqExact vs PostgreSQL COUNT(DISTINCT) — путает |
| Privacy / sensitive data | LLM иногда хочет «дать дополнительный контекст», утечка PII |
| Точные арифметические расчёты | Деление, округление, проценты — 15-25% ошибок |
Правило: LLM пишет SQL быстрее, но проверка обязательна. Особенно если ты Junior — тренируйся понимать SQL в SQL-тренажёре, иначе ты не сможешь поймать LLM-ошибки.
YandexGPT через AI Studio API
С 2026 года Yandex запустил единый API через AI Studio. Доступ через тот же API-ключ что и Wordstat Search API.
import requests
YANDEX_API_KEY = "your-api-key" # из AI Studio
YANDEX_FOLDER = "your-folder-id"
def yandex_gpt(prompt):
url = "https://llm.api.cloud.yandex.net/foundationModels/v1/completion"
headers = {
"Authorization": f"Api-Key {YANDEX_API_KEY}",
"x-folder-id": YANDEX_FOLDER,
}
body = {
"modelUri": f"gpt://{YANDEX_FOLDER}/yandexgpt/latest",
"completionOptions": {"temperature": 0.2, "maxTokens": 2000},
"messages": [{"role": "user", "text": prompt}],
}
r = requests.post(url, headers=headers, json=body)
return r.json()["result"]["alternatives"][0]["message"]["text"]
# Пример: генерация SQL
sql = yandex_gpt("""
Схема: orders(order_id, user_id, product_id, amount, created_at), products(product_id, name, category)
Задача: топ-5 категорий по выручке за 2026 год
""")
print(sql)Стоимость (на момент 2026): YandexGPT Lite — ~5₽/M input токенов, ~10₽/M output. Pro версия дороже (~15-30₽). Для аналитика — 100-200₽/мес активного использования.
RU-данные: YandexGPT обучен на русскоязычном корпусе → лучше понимает РФ-доменные термины («МСК», «УПД», «РСМД»). Для специфики российского бизнеса это plus.
ChatGPT / GPT-4o для SQL
ChatGPT остаётся самым качественным для сложного SQL (по моим личным тестам через 12 запросов с CTE, window, recursive). Доступ через VPN.
from openai import OpenAI
client = OpenAI(api_key="sk-...") # или через прокси
def gpt_sql(schema, task):
resp = client.chat.completions.create(
model="gpt-4o",
messages=[
{"role": "system", "content": "You are an expert SQL analyst. Output only SQL, no explanation."},
{"role": "user", "content": f"Schema:\n{schema}\n\nTask:\n{task}"},
],
temperature=0.1,
)
return resp.choices[0].message.contentКогда ChatGPT > YandexGPT: сложный SQL, английская документация, нишевые инструменты (Snowflake, Databricks). Когда YandexGPT >: РФ-доменная лексика, integration с Yandex Cloud.
Промпт-инжиниринг для SQL
LLM работает гораздо лучше с structured prompt.
Bad prompt (vague)
Напиши SQL чтобы посчитать пользователей за неделюLLM угадает структуру таблиц, может ошибиться.
Good prompt (structured)
Контекст: e-commerce, PostgreSQL 16
Схема:
orders(order_id BIGINT, user_id BIGINT, amount NUMERIC, status VARCHAR, created_at TIMESTAMP)
Indexes: (user_id), (created_at)
Задача: посчитать уникальных платящих пользователей за последние 7 дней
Конвенции:
- status='completed' = успешная оплата
- часовой пояс UTC
- последние 7 дней включая сегодня
Формат: Один SQL-запрос, без CTE если можно, c комментариями.LLM напишет правильно в 95% случаев. Главное — дать ему схему + конвенции + ограничения.
Шаг 1: code-review через LLM
LLM-prompt для ревью:
Проанализируй SQL-запрос ниже. Найди:
1. Performance-проблемы (Cartesian JOIN, missing index, SELECT *)
2. Логические ошибки (NULL handling, неправильный GROUP BY)
3. Стилистические улучшения
SQL:
[твой запрос]
Формат ответа: numbered list с конкретным line/issue.Это economic — реально находит проблемы в 60-80% запросов. Не заменяет senior DBA, но junior получает мгновенный фидбэк.
Шаг 2: миграция между диалектами
Переведи запрос с PostgreSQL на ClickHouse:
[твой PG запрос]
Особенности:
- В CH используется `uniqExact` вместо `COUNT(DISTINCT)` (быстрее)
- `date_trunc` → `toStartOfMonth` / `toStartOfDay`
- Window-функции в CH 21+ работают почти как в PG
- Сохрани комментарииПодвох: LLM иногда забывает диалектные нюансы. Всегда тестируй на dev-БД.
Шаг 3: автогенерация docstring к dbt-моделям
Сгенерируй YAML-описание для dbt-модели:
[содержимое modelfile.sql]
Формат:
- name + description (1-2 предложения)
- columns: name + description + tests (если очевидны из контекста)Экономит 30-60 мин на каждые 5-10 моделей. Подробнее про dbt — в нашем гайде по dbt macros.
Безопасность: что НЕ давать в LLM
| Что | Почему |
|---|---|
| Реальные данные клиентов (PII) | Может попасть в training данные |
| Production credentials / API keys | Дамп через prompt injection |
| Внутренние схемы с sensitive колонками | Анонимизация обязательна |
| Конфиденциальные бизнес-метрики | Утечка через model providers |
Используй dummy data или анонимизированные имена колонок (user_id вместо fio).
Для Enterprise: YandexGPT в Yandex Cloud Enterprise tier — данные не уходят в обучение. ChatGPT Enterprise — то же самое. Free-tier ChatGPT — по умолчанию идут в training.
Шаг 4: AI-агенты для аналитики (продвинутое)
Тренд 2026 — AI-агенты на базе LLM, которые умеют сами выполнять SQL и итерировать.
# Псевдо-пример с tool use (LangChain / LlamaIndex)
agent = create_agent(
llm=YandexGPT(),
tools=[
SQLExecutorTool(database=clickhouse),
PandasTool(),
PlotlyTool(),
],
system_prompt="Ты аналитик. Запросы тестируй сразу через SQLExecutorTool."
)
result = agent.run("Какие категории продают плохо в DE регионе?")Агент сам итерирует: пишет SQL → запускает → видит результат → корректирует если 0 строк. Это уже не просто LLM, это data scientist в коробке. Watch-out: можно случайно дропнуть таблицу — ВСЕГДА давай LLM read-only access.
Частые вопросы
Может ли LLM заменить аналитика?
Нет. LLM — multiplier, не заменитель. Аналитик с LLM решает в 2-3× больше задач, чем без. Но без понимания бизнеса / SQL / статистики LLM бесполезен — он не знает что спросить.
YandexGPT или ChatGPT для русского?
YandexGPT — лучше для доменной лексики РФ. ChatGPT — лучше для сложного SQL. Профи используют оба: YandexGPT для doc/text, ChatGPT для code.
Сколько денег уходит в месяц?
Для аналитика с активным использованием — 200-500₽/мес (YandexGPT Lite) или $5-15/мес ChatGPT Plus. Это меньше чем час твоего времени. ROI выше 10×.
Можно ли LLM использовать на собеседовании?
Нет. На live coding interview LLM запрещён. Но тренироваться с LLM — отлично: спрашивай объяснения, прорабатывай слабые места. Особенно когда готовишься через AI-Hub — AI-интервьюер задаёт вопросы, ты отвечаешь, потом LLM объясняет ошибки.
Что делать если LLM врёт?
Всегда проверяй на dev-БД. Никогда не запускай LLM-SQL сразу на prod. Особенно DELETE/UPDATE — должно быть SELECT preview сначала.
Что дальше
Если хочешь практику — попробуй SQL-тренажёр с автопроверкой (5 задач бесплатно) или Python-тренажёр. LLM-сгенерированный SQL пишешь, гоняешь, проверяешь EXPLAIN — это лучший learning loop.
Готов к собеседованиям? AI-интервью тренирует ответы на реальных вопросах из бесплатного пула. В Pro — безлимит мок-собесов с разбором + 491 SQL-задача + 612 тестовых заданий + 50+ блог-постов.
Смежные посты
- dbt macros: 8 паттернов — LLM хорошо генерит macros
- SQL antipatterns — что LLM ловит, а что нет
- EXPLAIN ANALYZE PostgreSQL — без EXPLAIN LLM-оптимизация неточная
- Аналитик → DE roadmap 2026 — куда расти после освоения LLM-tools
Сравнить Free и Pro → (1999₽/мес, экономит часы рутины)
Источники
- Habr 1030276: «Wordstat API v2 + AI Studio» (habr.com/ru/articles/1030276)
- Yandex Cloud Docs: «YandexGPT API» (yandex.cloud/docs/foundation-models/concepts/yandexgpt)
- OpenAI Cookbook: «SQL generation patterns» (cookbook.openai.com)
- Habr: ChatGPT vs YandexGPT в SQL-задачах (habr.com)