Для ИИ-агентов CQL полезен как фильтр перед RAG. Вместо того чтобы индексировать или искать по всей базе знаний, агент может сначала сузить область: только нужный проект, только актуальные инструкции, только страницы с меткой support или только документы, которые изменились за последний месяц.
CQL не заменяет semantic search. Он хорошо отвечает на вопрос "где искать", а embeddings и RAG помогают понять "что из найденного похоже по смыслу". В хорошем корпоративном поиске оба подхода работают вместе: CQL фильтрует область, векторный поиск ранжирует фрагменты, а модель отвечает с citations.
Типичные поля CQL: type, space, title, label, creator, contributor, created, lastmodified, parent и text. Конкретный набор возможностей зависит от версии Confluence и API, поэтому запросы лучше тестировать на реальных данных.
Главный риск - слишком широкий или слишком узкий запрос. Слишком широкий CQL тащит в контекст лишние страницы и повышает риск старых ответов. Слишком узкий пропускает нужный документ, и агент начинает отвечать без источника.
Примеры
- Агент ищет инструкции только в space = "SUPPORT", чтобы не смешивать клиентскую базу знаний с внутренними черновиками.
- CQL-запрос по label = "onboarding" находит страницы для обучения новых сотрудников.
- Перед обновлением RAG-индекса система выбирает страницы, измененные после последнего запуска.
- Агент ищет документы типа page, а не attachment, чтобы не подтянуть лишние файлы.
- Для IT Service Desk агент ограничивает поиск страницами с label = "incident" и свежей датой изменения.
- Если CQL не вернул результатов, агент не выдумывает ответ, а просит уточнить space, label или название раздела.
Где используется
- поиск страниц в Confluence через API
- фильтрация базы знаний перед RAG
- индексация только нужных space и labels
- поиск устаревших или недавно измененных документов
- поиск инструкций для поддержки клиентов
- подготовка корпоративного AI-поиска
- обновление embeddings по измененным страницам
- ограничение доступа агента к нужным разделам
- создание дайджестов изменений в Confluence
- проверка источников перед ответом агента
Связанные термины
Частые вопросы
CQL - это SQL?
Нет. CQL в Confluence похож на язык фильтров для поиска контента, но не является SQL-запросом к базе данных.
CQL и semantic search решают одну задачу?
Частично. CQL фильтрует контент по метаданным: space, label, author, date, type. Semantic search ищет смысловую близость через embeddings.
Зачем CQL нужен ИИ-агенту?
Он помогает агенту искать в правильной части Confluence, не подтягивать лишние страницы и строить ответ на актуальных источниках.
Что лучше фильтровать через CQL?
Пространство, тип контента, labels, дату изменения, автора, родительскую страницу и другие метаданные, которые сужают область поиска.
Какая частая ошибка в CQL для RAG?
Слишком общий запрос. Он возвращает много старых или нерелевантных страниц, и модель получает шум вместо точных источников.
Как проверять CQL-запросы?
Сначала прогнать запрос вручную или через API, посмотреть найденные страницы, проверить даты и labels, затем тестировать качество ответов агента на реальных вопросах.
