Block 在 Databricks 上用 Claude 驱动内部智能体 goose 的实践
Block Claude Platform (API) case study
Block 将 Claude 作为 Databricks 平台上的默认模型,驱动其开源 AI 智能体 goose 的内部部署,让不同岗位员工连接内部系统、分析数据并自动生成 SQL。
案例给出了智能体接入内部数据的具体架构与用量数据,可作为企业落地智能体的参照。
Block——Square、Cash App、Afterpay 等金融服务背后的公司——在 Databricks 数据智能平台上使用 Claude 作为默认模型,为其开源 AI 智能体(代号 goose)的内部部署提供支持。该解决方案使各岗位员工能够互联内部工具与系统、分析复杂数据、无需技术知识即可创建 SQL 查询,并实现工作流自动化——从而改变其组织的运作方式。
在 Databricks 中使用 Claude 后,Block 取得了以下成果:
- 75% 的工程师每周使用代号 goose 节省 8 至 10 小时以上——加快速度并减少繁琐工作
- 代号 goose 的采用率在短短一个月内翻倍,随着员工发现新的用例,用户参与度每周增长 40-50%
- Claude 3.5 Sonnet 成为唯一在其基准测试中始终达到 100% 成功率的模型
让更多员工获取数据洞察
Block 拥有海量数据资源,需要一种方式让员工无论技术背景如何都能访问这些数据。该公司长期使用 Databricks 进行数据工程,但意识到有机会将这些能力与大语言模型及其内部构建的技术相结合,从而在整个组织内实现数据访问的民主化。
首席数据与机器学习工程师 Bradley Axen 解释道:“多年来我们一直将 Databricks 作为主要数据工程平台,利用其 Spark 能力满足我们的数据处理需求。”
该公司最初创建了一个 AI 编码助手,代号 goose,但很快意识到其潜力远超软件开发。Axen 表示:“goose 最初只是一个帮助我的团队编写更好代码的简单工具。它起初只是一个基本的反馈循环。此后,它发生了巨大演变。这听起来可能有些夸张,但这是真的——我现在 90% 的代码行都是由 goose 编写的。部分原因是我希望使用自己正在构建的工具,但也是因为该工具已经变得如此高效。”
从设计到产品开发,Block 各个岗位类别的数千名员工现在都在通过 Databricks 使用 Claude,有时甚至没有意识到这一点,而这让他们得以腾出精力进行更宏大、更具创造性的思考。
在 Databricks 中使用 Claude 带来的卓越性能与安全性
经过严格的基准测试,Block 发现迄今为止 Claude 在代号 goose 中始终优于其他模型。“对于我们特别关注衡量的任务,Claude 系列表现最佳,”Axen 指出。
安全性是他们决策中的另一个关键因素。“我们非常重视安全的数据集成。当我们连接到 Databricks 时,可以使用带有短期凭证的 OAuth。因此,现在每位员工都能访问这些 LLM,而我们无需分发和管理 API 密钥,”Axen 强调。这一安全基础设施使 Block 能够“拨动开关,让所有人都能使用新模型”,为其平台团队提供了极大的灵活性。
Block 尤其看重 Claude 的工具使用和代码生成能力。他们根据手头的具体任务战略性地采用不同的 Claude 模型——对于需要复杂推理的复杂数据分析选择 Claude 3.5 Sonnet,对于需要更多步骤和规划的请求选择 Claude 3.7 Sonnet。
通过智能体工作流变革数据访问
Block 将 Claude 集成到 Databricks 中,并结合 goose 打造了一个连接多个数据源和工具的生态系统。“借助我们基于智能体的方法,我们创建了一个完整的工作流闭环,”Axen 表示。“我们通过 Databricks 端点运行 LLM,将其连接到我们的智能体系统 goose,然后 goose 可以回调 Databricks 来访问我们的数据库和数据集。”
这种方法让各部门员工能够更高效地与数据交互:
- 无需技术知识即可生成 SQL:模型编写 SQL,将其发送到数据端点,并带回洞察。不具备 SQL 知识的人可以自行解决数据问题,使产品团队和非技术员工无需等待数据科学家即可回答数据问题。
- 复杂的数据特征工程:工程师创建了一个系统,教 Claude 为 Block 的内部 Beacon 服务编写代码。一个 MCP 服务器教 Databricks 上的 LLM 如何向 Beacon 提交代码,使机器学习工程师无需深入了解 Block 的后端系统即可创建复杂的数据特征。
- 多工具数据工作流:代号 goose 使用 MCP 连接各种系统。Block 可以为任何内部工具构建 MCP 服务器并将其连接到工作流。这使运营团队能够使用 AI 关闭工单,并帮助各部门访问所需的数据。
这种智能体方法与 Block 的更宏大愿景相一致。“巨大的机会在于让 LLM 将某人的意图转化为在我们系统上的行动。这将改变我们向客户提供产品的方式以及我们的内部工作方式,”Axen 指出。
打造数据驱动文化并取得可衡量的成果
Block 在 Databricks 中集成 Claude 的方案在内部获得了显著的应用。Block 的 10,000 名员工中约有 4,000 人积极使用 goose,覆盖了从销售、设计、产品到客户成功、运营等 15 种不同岗位。
对生产力的影响是巨大的,尤其是在团队获取洞察的速度方面。这对 Block 意义重大,因为不懂 SQL 的人现在可以自行解决数据问题。
设计团队也是受益者之一。Axen 解释道:“设计师将想法转化为可运行原型的门槛太高,所以他们往往不会去做。现在这个门槛几乎完全消失了。你可以说,‘这是 Figma 中的一个网页。让我们做一个可运行的版本,’它就能做到。”这从根本上改变了设计工作流,使设计师能够在分享之前构建并测试功能性原型。
构建由可访问数据和智能体 AI 驱动的未来
Block 设想了一个通过智能体 AI 系统实现数据访问全面民主化的未来。“上限不是节省 100% 的时间。实际上更高,因为你可以让一整队智能体代表你工作,完成比你独自一人更多的事情,”Axen 表示。
虽然 Block 的目标是在 2025 年通过 AI 节省员工 30% 的时间,但他们的愿景超越了效率。“关键在于让我们的人能够将所有好想法付诸行动。未来几年,工作将会发生变化。人们仍将解决具有挑战性的问题,但他们会花更少的时间编写代码,”Axen 解释道。Block 的目标是从受交付速度制约转变为仅受创新速度限制。
虽然 Block 目前专注于内部生产力,但它正在战略性地开发面向客户的 AI 产品。“我们正在了解哪些方法有效,以及如何让人们更容易上手,”Axen 解释道。尽管其生态系统中已经存在一些智能体产品,但 Block 仍将质量置于更广泛部署之前。他们内部实施的代号 goose 既是一个生产力工具,也是一个重要的试验场,用于开发将支撑其下一代客户产品的基础设施和设计原则。
Block 正在创造一个未来:通过代号 goose,将 Claude 的高级推理能力与 Databricks 数据智能平台相结合,让每位员工都能充分释放公司数据的全部潜力。这一合作使 Block 的员工能够拥抱 AI 辅助的工作流程,通过让所有人都能使用复杂数据分析的技术,将其经济赋能的愿景变为现实。
来源:Claude 官方 · 应用与案例 · claude.com