本文将带你从零搭建一个数据分析智能体，实现用户上传Excel并给出指令后，智能体能够深入分析数据、进行可视化，并以Jupyter Notebook形式返回结果。我们将重点讨论以下核心要点：
- 智能体设计模式：为何全自动React模式可行但并非最优解
- Context Engineering：如何通过上下文管理思路优化效果
- 复杂任务Prompt设计：Meta Prompt + 领域最佳实践的高效组合
完整Agent代码详见DAAgent
智能体设计
数据分析智能体本质上是具备编码能力、能够使用编程工具的智能体。考虑到单次编码可能不完善，需要多轮迭代调试优化，最简单的实现方式是采用React策略，让模型不断编写和优化代码。
但线性React模式很快会遇到两个关键问题：
- 模型上文很快耗尽：coding是很费token的，尤其traceback更是长的离谱，所以很快就报token limit了
- 线性模式存在推理惯性：同样因为上文太长，模型在修复问题时会让分析也限于局部优化，整个数据分析会简单，广度和深度都不足
为解决以上线性REACT 的问题，我们加入Plan模块，先对问题进行拆解，再让REACT去解决每个局部问题，只要子问题足够聚焦，以上两个问题就都能规避。
于是我们第一版Data Agent的设计思路就有了，包含以下3个模块
- Planner：将数据分析任务拆解为多个串联步骤
- Publisher：遍历Plan生成的步骤，分发给Coder执行
- coder：基于当前步骤生成代码，通过多轮循环优化直至执行成功
下面我们依次说下这三个模块，和中间涉及到的context engineering，meta prompting，MCP使用的一些问题和细节。
Planner
Planner采用结构化推理，输出以下Plan结构体。我们使用一次性规划模式，输入仅包含文件预览和用户查询，不基于后续编码反馈调整规划（简单架构能避免许多复杂问题）。
python
class Plan(BaseModel):
reasoning: str = Field(description='step by step的分析')
task: str = Field(description='分析任务名称')
steps: List[str] = Field(description='拆解的分析步骤')
class Status(str, Enum):
waiting = 'WAITING'
finish = 'FINISH'
fail = 'FAIL'
in_progress = 'IN-PROGRESS'
class StepStatus(TypedDict):
description: str
observation: str
status: Status
async def plan(state: CodeState, config: RunnableConfig, writer: StreamWriter):
"""
创建数据分析计划
"""
configurable = Configuration.from_runnable_config(config)
llm = ChatDeepSeek(
api_key=os.environ['LLM_APIKEY'],
api_base=os.environ['LLM_URL'],
model=configurable.plan_model
)
prompt = get_prompt_template(name="plan", input_vars={"table": state['data'].head(10).to_markdown()})
messages = [{"role": "system", "content": prompt},
{"role": "user", "content": state["query"]}]
output = llm.with_structured_output(Plan, method='json_mode').invoke(messages)
writer(f'创建数据分析计划：{output.task}\n' + '\n'.join(output.steps))
steps = [StepStatus(description=i, observation='', status=Status.waiting) for i in output.steps]
return {"task": output.task, "steps": steps}Plan的System Prompt，我使用了Meta-prompting配合模型梳理的数据分析（EDA）的最佳实践指南来生成。前面在Agent Context Engineering - 多智能体代码剖析我们有提过meta-prompting，今天再增加一个就是领域最佳实践概念。
标准化任务如编码、写作都可以用MetaPrompt自动补充任务细节，但这样生成的Prompt往往普通，因为它只是随机采样的一条可行路径而非最优路径。
这时就有两种简单的优化思路：
- 前置引入专家经验：基于该领域专家经验抽象成最佳实践
- 后置不断总结经验：基于测试集运行的结果进行常见问题的抽象并优化prompt（并不推荐人工总结，因为human prior!=machine prior）
这里我们采用方案1，直接用DeepSeek联网总结Kaagle GrandMaster在数据EDA上的专家经验和流程再输入Meta Prompt就得到了以下system Prompt
markdown
作为Google的顶尖数据分析和可视化专家，请严格按以下数据分析步骤和分析要点处理用户提交的Excel表格和分析要求,并按照输出格式直接输出JSON
## Excel表格
{{table}}
## 当前时间
{{current_date}}
## 数据分析步骤
1. 数据初窥与质量评估
**目标**：了解数据原始面貌和基本健康状况
- 查看数据形状、类型和基本统计信息
- 识别缺失值和重复值
- 理解字段业务含义
2. 数据清洗与预处理
**目标**：解决数据质量问题，准备干净数据
- 按策略处理缺失值（删除/填充/标记）
- 识别并合理处理异常值（不盲目删除）
- 统一数据格式和类别命名
3. 单变量分析
**目标**：深入理解每个变量的分布特征
- 数值变量：分析分布、偏度和峰度
- 分类变量：检查频次和类别平衡
- 记录需要进行的转换（如对数变换）
4. 多变量分析与可视化
**目标**：探索变量间关系，发现数据模式
- 数值vs数值：散点图+相关矩阵
- 分类vs数值：小提琴图/箱线图
- 分类vs分类：堆叠条形图+卡方检验
- 时间序列：折线图+滚动统计量
5. 简单建模辅助分析
**目标**：用量化方法验证分析发现
- 线性回归：关注系数而非R²
- 决策树/随机森林：分析特征重要性
- 所有分析以理解关系为目的，而非预测精度
6. 报告生成
**输出**：包含数据质量报告、关键发现、可视化图表和建议的数据分析报告
## 数据分析要点
1. **需求解析**
- 明确用户核心分析目标及潜在需求
- 判断需加强分析的隐藏维度（如数据对比/聚合维度）
2. **方案设计**
- 基于目标定制分析路径（描述性/预测性/诊断性分析）
- 按优先级匹配可视化方案（如动态仪表盘>静态图表）
3. **反向工程验证**
- 论证每个分析步骤如何解决核心需求
- 确认可视化类型与数据特性的适配性
## 关键要求
- ❗ 推理(reasoning)必须包含：数据特征发现 → 需求拆解 → 方案推导的完整逻辑链
- ✖️ 禁止在reasoning出现结论性语句（结论仅出现在steps中）
- 使用方括号标注示例中的动态参数（如 [指标名]）
- JSON键名严格保持原文格式，不添加注释或额外字段
- steps需包含具体技术实现（如："使用PCA降维后生成3D散点图"）
- 若原始需求模糊，需在reasoning中反推合理分析路径
- 无需输出```json```，直接输出JSON
## 输出格式
{
"reasoning": "分步数据观察和需求解析过程（先分析后结论）",
"task": "≤15字分析任务标题",
"steps": [
"步骤1: [如: 观测表格数据并检查数据质量]",
"步骤2: [如: 进行数据清洗和必要字段归一化处理]",
]
}以下就是结构化推理得到的数据分析任务和8个串联的执行步骤
个人还是比较倾向于直接使用官方API，而非langchian包装的各种structure output，bind tools啥的llm推理接口，因为langchain增加了报错排查的难度以及问题隐藏的深度。有个梗就是开发越快的工具debug越慢~
Publisher
生成分析任务后就会进入任务分发节点，这个节点不做模型推理，只做任务状态管理和分发，属于中转节点。coding每完成一个step任务，会重新回到publisher，修改任务状态，再进入新的一轮任务执行，如下
python
async def publisher(state: CodeState, writer: StreamWriter) -> Command[Literal["__end__", "coding"]]:
"""
分发数据分析任务，判断任务完成状态
"""
steps = state['steps']
# 每次进入都尝试获取最新的ipynb
tools = await mcp_client.get_tools()
stop_tool = [i for i in tools if i.name == 'close_sandbox'][0]
# 所有任务都执行则判断完成
if all([i['status'] != Status.waiting for i in steps]):
writer('所有步骤执行完毕！')
return Command(goto='__end__')
# 找到下一个待执行的任务,清空历史code message和observations并开始执行
for step in steps:
if step['status'] == Status.waiting:
step['status'] = Status.in_progress
writer(f'执行步骤-{step["description"]}')
break
return Command(goto='coding', update={"steps": steps,
# 清空step内传递信息
"code_messages": ["CLEAR"],
"step_observations": ["CLEAR"],
"step_observations_clean": ["CLEAR"],
"code_round": 0,
# 多步step信息累计
"observations": state["step_observations_clean"]})这里用到Context Engineer-过滤大法 ，从任务分发上可以看出，也就是多个Step的coding任务之间，不传递code message，只传递过滤Error的bservation，可以大大减少上文Token量级。那要如何设计coding任务才能之基于观测进行串行任务编程呢？咱接着往后聊~
Coding
Coding是最核心的任务。虽然Plan的任务分解通过降低子任务复杂度来减少Step内部的上下文长度，但我们仍需处理多编码步骤间的信息传递问题。这里选择了内外层消息隔离的模式
- 内层（单个Step内）：消息线性增长，每一步向后传递code + execution result。同时通过指令让模型print所有代码执行过程中的必要观测，并对所有数据分析的中间结果进行持久化存储
- 外层（多个step之间）：因为观测和中间结果都在Studout中直观显示，所以多步之间只需传递过滤Error的Execution Result，后面章节我们再考虑引入更多压缩和反思极值进一步提升信息密度，来应对更复杂的问题。
以下是关于持久化和stdout输出的相关指令，完整指令详见DAAgent
markdown
3. **数据流规范**：禁止使用全局变量传递数据，使用持久化文件进行信息传递，例如
| 步骤类型 | 输入文件 | 输出文件格式要求 |
|----------|-------------------|------------------------|
| 数据加载 | raw_data.csv | / |
| 中间处理 | [上一步].csv | 带时间戳的CSV/JSON文件 |
| 可视化 | processed_data/* | 600dpi PNG（带图例） |
4. **分析结果和观测显性化**：print所有结果
| 步骤类型 | print |
|----------|-------------------|
| 文件输出 | 🗂️数据已保存到... |
| 数据统计 | 📊 数据基本统计... |
| 可视化 | 📈绘制关键指标...|
| 核心发现|🎯 数据核心发现...|以上指令的效果如下
整个Coding节点的配置比较简单，就是线性的REACT，当然也可以直接用langgraph prebuild react来实现，但个人不太喜欢用high level的封装哈哈感觉看懂别人代码的复杂度>>自己写，毕竟人人都有小巧思哈哈哈~（笔者也不推荐不知其所以然就直接无脑使用）
python
async def coding(state: CodeState, config: RunnableConfig, writer: StreamWriter) -> Command[
Literal["publisher", "coding"]]:
"""模型写代码:进入write + execute循环模式"""
configurable = Configuration.from_runnable_config(config)
# 超过单轮最大coding次数则判断为失败退出
if configurable.max_code_loops < state["code_round"]:
writer('超过单step最大执行次数退出')
for step in state["steps"]:
if step['status'] == Status.in_progress:
step['status'] = Status.fail
return Command(goto='publisher', update={"steps": state['steps']})
prompt = get_prompt_template('code', input_vars={'steps': state['steps'],
"observations": state['observations']})
llm = ChatDeepSeek(
api_key=os.environ['LLM_APIKEY'],
api_base=os.environ['LLM_URL'],
model=configurable.code_model
)
if not state["code_messages"]:
messages = [
{"role": "system", "content": prompt},
{"role": "user", "content": "请开始数据分析"}
]
else:
messages = state["code_messages"]
tools = await mcp_client.get_tools()
code_tool = [i for i in tools if i.name == 'execute_code'][0]
message = await llm.bind_tools([code_tool, task_finish], tool_choice='required', strict=True).ainvoke(messages)
writer(f'Thinking: {message.content}')
if len(message.tool_calls) > 0:
for tool_call in message.tool_calls:
if tool_call.get("name", "") not in ["execute_code", "task_finish"]:
# 出现模型推理错误判断为失败返回Publisher，也可以增加重试，这种情况发生暂时为发生过
writer('模型调用工具异常，出现非定义工具调用退出当前Step')
steps = state["steps"]
for step in steps:
if step['status'] == Status.in_progress:
step['status'] = Status.fail
writer(f"{step['description']} failed execution")
break
return Command(goto='publisher', update={"steps": state['steps']})
elif tool_call.get("name") == 'execute_code':
writer('Execute Code Tool calling')
code = tool_call.get("args", {"code": ""})["code"]
writer(f'Code:\n{code}')
execution = await code_tool.ainvoke(tool_call.get("args", {}))
observation = execution_to_llm(execution)
print(f"Execution\n:{observation}")
observation_without_error = execution_to_llm(execution, exclude_error=True)
# TODO：因为存在工具调用失败，因此这里使用user而非ToolMessage
if state["code_round"] == 0:
messages += [AIMessage(content=message.content, tool_calls=[tool_call]),
ToolMessage(content=observation, tool_call_id=tool_call.get("id"))]
else:
messages = [AIMessage(content=message.content, tool_calls=[tool_call]),
ToolMessage(content=observation, tool_call_id=tool_call.get("id"))]
return Command(goto='coding',
update={
"code_round": state["code_round"] + 1,
"code_messages": messages,
"step_observations": [observation],
"step_observations_clean": [observation_without_error] # 覆盖式写入
})
else:
writer('Finish Task Tool calling')
steps = state["steps"]
for step in steps:
if step['status'] == Status.in_progress:
step['status'] = Status.finish
writer(f"{step['description']} finish execution")
break
return Command(goto='publisher', update={"steps": state['steps']})
else:
writer('模型调用工具异常出现无工具调用情形，退出当前Step')
steps = state["steps"]
for step in steps:
if step['status'] == Status.in_progress:
step['status'] = Status.fail
writer(f"{step['description']} failed execution")
break
return Command(goto='publisher', update={"steps": state['steps']})最终呈现出来的效果就是下面这样了,这里我用了字节刚发布的wide search数据集ByteDance-Seed/WideSearch
踩过的坑
这里再分享几个踩过的小坑
- Stdio适合无状态工具
之前对stdio和http这两种mcp通信只理解到，一个是本地启动一个是远程服务，本地更快能保证数据安全。而另一个差异在于stdio无状态。因为stdio本质其实就是spawn的一个子进程，整个生命周期由客户端启动和链接，所以工具调用完毕进程就会关闭，自然也就无法在多次调用之间共享状态。当然你可以用一些外部存储来记录状态，但本质上stdio更适合在客户端来管理状态。因此考虑到我是在服务端记录多次代码执行得到jupyter notebook，因此我暂时调整成了http。
哈哈这一章来不及调整了，后面感觉合理的解法还是stdio模式，第一是更快速适合大数据分析中大量数据传输，其次是数据分析会有建模场景，不过把Jupyter Notebook的数据管理迁移到客户端来搞
- 工具调用受到上文Message格式影响较大
个人经验（无客观消融实验）表明，在某些模型上结构化推理的稳定性更高，工具使用的幻觉率（如不调用工具）更低，DeepSeek模型相比Qwen尤其明显。如果上文Message包含与工具内容相似但格式不同的内容，会进一步增加无工具调用的比例，需要特别注意。
Next?
这一版只是数据分析智能体的雏形，后面我们一边探索一些新的思路，一边把UI展示搞出来，感觉一些值得尝试的点包括
- 经验总结机制：如何让模型不断总结抽象自己Coding过程中的报错并落到notes里，在不断实践中降低bug rate。感觉当前数据分析上多数浅层error都来自API版本迭代带来的不兼容问题，完全可以通过"Past Experience Summary"机制解决
- 反思机制探索：反思在数据分析任务上能提升分析深度么？
- 高效Bug修复除了重写代码，有其他更高效的推理方式进行Bug修复么？
- 前端展示：如何设计一个前端页面来展示数据分析的结果
想看更全的大模型论文·Agent·开源框架·AIGC应用 >> DecryPrompt