Anton

Qu'est-ce qu'Anton ?

MindsDB Anton est un agent de business intelligence que vous pouvez interroger en langage naturel. Son objectif principal est de vous aider à transformer une question en langage naturel en un résultat analytique complet — en récupérant et unifiant les données de diverses sources, en exécutant des analyses, en faisant ressortir des insights et en produisant des tableaux de bord.

Anton est conçu pour effectuer le travail d'un analyste « à partir de la conversation ». Par exemple, lorsque vous demandez des prix, des calculs, des fenêtres de performance et un tableau de bord, Anton peut récupérer des données en direct, générer et exécuter le code requis, et présenter les résultats dans un navigateur sans étape de configuration manuelle séparée.

Fonctionnalités clés

• Coffre-fort pour les identifiants secrets : Garde les valeurs secrètes cachées des LLMs en stockant/révélant uniquement les noms des secrets lors des connexions de données.
• Exécution de code isolée (« montrez votre travail ») : Exécute le code généré dans un environnement protégé et reproductible, et peut fournir une ventilation explicable de type bloc-notes.
• Mémoire multicouche et apprentissage continu : Maintient le contexte de session plus des connaissances sémantiques et à long terme métier grâce à des systèmes de mémoire lisibles par l'humain.
• Connexion à des données locales via un workflow sécurisé : Utilisez la commande /connect pour ajouter des sources de données ; Anton récupère le schéma et extrait les données nécessaires après avoir consulté les identifiants dans le coffre-fort.
• Bloc-notes explicable par défaut : Vous pouvez demander à Anton de vider son bloc-notes, incluant des logs de type notebook avec cellules de code, sorties et erreurs.

Comment utiliser Anton

1. Installez Anton depuis le dépôt en utilisant l'une des commandes fournies :
   • macOS / Linux (CLI) : curl -sSf https://raw.githubusercontent.com/mindsdb/anton/main/install.sh | sh && export PATH="$HOME/.local/bin:$PATH"
   • Windows (PowerShell) : irm https://raw.githubusercontent.com/mindsdb/anton/main/install.ps1 | iex
   • Le README indique que vous pouvez ensuite le lancer en tapant anton.
2. Démarrez une conversation en posant une question métier en langage naturel (par ex., demander une valorisation de portefeuille, des performances boursières et un tableau de bord).
3. Connectez vos propres données lorsque vous avez besoin de jeux de données privés :
   • Exécutez /connect et suivez les invites pour choisir une source de données.
   • Fournissez/sélectionnez les identifiants par nom afin qu'Anton puisse utiliser les valeurs stockées dans le coffre-fort local.
4. Demandez une explication lorsque vous voulez examiner ce qui s'est passé :
   • Demandez à Anton de vider son bloc-notes pour une ventilation étape par étape de type notebook.

Cas d'usage

• Tableaux de bord de portefeuille et de performance : Fournissez une liste de positions (tickers/montants) et demandez les prix actuels, la valeur totale du portefeuille et les performances sur 30 jours, avec un tableau de bord généré à partir de la conversation.
• Analyse de corrélation sur des données internes : Connectez-vous à une base de données ou des données d'app de l'entreprise, puis demandez si une métrique métier (par ex., remise) est corrélée à un autre résultat (par ex., note d'avis) sur une fenêtre temporelle définie.
• Création de tableaux de bord à partir de sources multiples : Posez une seule question nécessitant de combiner des données live/publiques avec des données internes connectées, Anton gérant la découverte de schéma et la récupération.
• Examen et débogage des étapes d'analyse : Lorsque l'analyse générée n'est pas claire, demandez à Anton d'expliquer en vidant son bloc-notes pour voir les cellules de code, sorties et erreurs.
• Contexte scopé au projet et exécutions d'espace de travail répétables : Lancez Anton dans un répertoire avec une structure d'espace de travail stockant l'état du bloc-notes, les mémoires épisodiques et les secrets locaux ; ajoutez optionnellement un contexte projet via .anton/anton.md.

FAQ

Anton est-il limité aux données publiques ? Anton peut être utilisé avec des données publiques, mais le README note que le « vrai pouvoir » réside dans la combinaison de données publiques avec vos propres sources de données connectées.

Comment Anton accède-t-il à mes identifiants ? Anton utilise un workflow de coffre-fort pour identifiants avec /connect, où les valeurs secrètes restent cachées et Anton accède aux identifiants par leurs noms de secrets.

Puis-je voir comment Anton a obtenu ses résultats ? Oui. Anton prend en charge un comportement explicable par défaut : vous pouvez lui demander de vider son bloc-notes pour obtenir une ventilation de type notebook incluant cellules de code, sorties et erreurs.

Quelles plateformes sont prises en charge selon les instructions d'installation ? Le README fournit des étapes pour macOS/Linux (CLI) et Windows (PowerShell), et mentionne une app Desktop macOS à télécharger.

Où Anton stocke-t-il ses données d'espace de travail ? Lorsqu'il est lancé dans un répertoire, le README décrit un dossier d'espace de travail .anton/ contenant l'état du bloc-notes, la mémoire épisodique et les secrets locaux, ainsi que des fichiers associés comme .anton/anton.md (contexte projet optionnel) et .anton/.env.

Alternatives

• Carnets d'analyse de données polyvalents (ex. Python/Jupyter) : Au lieu d'une conversation pilotée par un agent qui récupère les données et génère du code à la volée, vous écrivez et exécutez manuellement les analyses, ce qui peut convenir mieux aux workflows entièrement contrôlés.
• Outils de tableaux de bord BI nécessitant des données pré-modélisées : Les outils axés sur la création de tableaux de bord reposent souvent sur des modèles de données curatés et des étapes de configuration ; le workflow d'Anton met l'accent sur le démarrage à partir de questions en langage naturel.
• Analyses basées sur SQL et pipelines ETL : Si votre équipe préfère des transformations déterministes et vérifiables en écrivant directement des jobs SQL/ETL, cela réduit la génération de code à l'exécution par rapport à une approche par agent IA.
• Autres assistants IA pour l'interrogation de données : Des outils adjacents peuvent aussi traduire les questions en requêtes, mais la position distinctive d'Anton dans le README réside dans son bloc-notes explicable, son approche de coffre-fort de credentials et ses systèmes de mémoire d'espace de travail local.