Локальная LLM помогает мигрировать витрины из Vertica в Trino: практический опыт

Что произошло

В статье от 31 августа 2026 команда BI‑разработчиков коммерческого департамента Avito (Алексей Дубинец и Павел Беспалов) поделилась опытом построения потока миграции витрин данных из Vertica в Trino с помощью локальной LLM. Цель – автоматизировать генерацию и адаптацию SQL‑скриптов, сократить ручную работу и ускорить процесс перехода.

Ключевые факты

• Модель: локальная LLM‑модель 7 B параметров, запущенная в контейнере Docker на выделенном сервере.
• Проблемы: модель часто «не тянула» сложные запросы, генерировала синтаксические ошибки и не учитывала специфические функции Vertica.
• Наивные решения, такие как простое «prompt‑to‑SQL», приводили к 40 % отказов.
• Инженерные решения:
  1. Retrieval‑augmented generation (RAG) – добавление справочников по синтаксису Vertica и Trino в контекст.
  2. Chain‑of‑thought prompting – разбивка задачи на несколько шагов (анализ схемы → построение базового запроса → адаптация).
  3. Fallback‑engine – при неудаче LLM переключается на шаблонный генератор, написанный на Python.
  4. Контроль качества – парсинг с помощью sqlglot, статический анализ и автоматическое тестирование на небольших подвыборках.
• Результат: за первые две недели миграции удалось автоматизировать ≈70 % запросов, а общее время переноса снизилось на 30 % по сравнению с полностью ручным процессом.

Ссылки

• Оригинальная статья на Habr AI: https://habr.com/ru/companies/avito/articles/1075942/
• Репозиторий с примером пайплайна (GitHub): https://github.com/avito/vertica2trino-llm

Что дальше

Команда планирует добавить интерактивный UI для ручного уточнения запросов и расширить модель до 13 B параметров, чтобы покрыть более сложные трансформации.