22.从0到1搭建AI运营助手——最小可运行版本（v1）

AI 运营助手将从 v1-v3 演进，项目 git 地址：ai-ops-assistant-lab

🧠 一、为什么需要v1？

在前两篇我们讲了：

但有一个关键问题：

❗ 如果不能跑起来，那一切架构都是"纸上设计"

所以 v1 的目标非常明确：

👉 先跑通一条最小链路：自然语言 → SQL → 数据 → 报告

💥 二、v1的核心目标（非常重要）

🎯 v1只做一件事：

text 复制代码

用户问题 → SQL → mock数据 → 分析 → 输出报告

❌ 不做：

不做语义层
不做多Agent协作
不做SQL优化
不接Doris（先mock）

✅ 只做：

👉 一个"能跑通闭环的AI分析系统"

🧩 三、v1整体架构

text 复制代码

用户输入
   ↓
Query Agent（理解问题）
   ↓
SQL Agent（生成SQL）
   ↓
Mock Data Service
   ↓
Analysis Agent（分析）
   ↓
Report Agent（输出Markdown）

🧠 四、v1系统本质

💥 一句话总结：

👉 v1是一个"AI驱动的SQL查询 + 报告生成系统"

🧩 五、技术栈（v1）

🐍 Python

camel-ai（Agent能力）
简单函数编排

📦 数据层

mock data（字典/CSV）

🧠 LLM

OpenAI / Claude / 本地模型（通过LangChain或API）

🧠 六、核心模块设计

🟢 1️⃣ Query Agent（问题理解）

🎯 输入：

text 复制代码

最近7天用户流失情况如何？

🎯 输出：

json 复制代码

{
  "intent": "churn_analysis",
  "time_range": "7d"
}

🟡 2️⃣ SQL Agent（核心）

🎯 输入：

json 复制代码

{
  "intent": "churn_analysis"
}

🎯 输出：

sql 复制代码

SELECT COUNT(DISTINCT user_id)
FROM user_table
WHERE last_active >= NOW() - INTERVAL 7 DAY

🔵 3️⃣ Mock Data Service

🎯 职责：

模拟 Doris / MySQL 查询

python 复制代码

def query(sql):
    return {
        "active_users": 1234,
        "churn_users": 321
    }

🟣 4️⃣ Analysis Agent

🎯 输入：

json 复制代码

{
  "active_users": 1234,
  "churn_users": 321
}

🎯 输出：

text 复制代码

最近7天用户活跃数为1234，流失321人，流失率约20%。

⚫ 5️⃣ Report Agent

🎯 输出：

Markdown报告

markdown 复制代码

# 用户流失分析报告

## 核心指标
- 活跃用户：1234
- 流失用户：321

## 结论
流失率较高，建议优化用户留存策略。

🧠 七、完整执行链路（必须理解）

text 复制代码

User Input
   ↓
Query Agent
   ↓
SQL Agent
   ↓
Mock Data
   ↓
Analysis Agent
   ↓
Report Agent

🧠 八、Prompt设计（v1核心）

🟢 Query Prompt

text 复制代码

你是一个数据分析助手，请识别用户问题中的业务意图和时间范围。

🟡 SQL Prompt

text 复制代码

请根据用户意图生成SQL查询语句，只允许使用以下字段：
- user_id
- last_active
- order_count

🔵 Analysis Prompt

text 复制代码

请根据数据结果生成业务分析结论，语言简洁清晰。

🧠 九、main.py（v1核心入口）

💥 示例结构：

python 复制代码

def run():
    question = "最近7天用户流失情况如何？"

    intent = query_agent(question)
    sql = sql_agent(intent)
    data = mock_query(sql)
    analysis = analysis_agent(data)
    report = report_agent(analysis)

    print(report)

🧠 十、v1的意义（非常重要）

💥 v1解决的问题：

👉 验证AI运营助手的"最小闭环可行性"

💥 v1没有解决的问题：

没有语义层
没有真实数据
没有SQL优化
没有Agent协作

🧠 十一、v1的本质

💥 一句话总结：

👉 v1本质是一个"LLM驱动的轻量数据分析流水线"，用于验证自然语言到数据分析的可行性。

🧠 十二、v1 → v2 → v3的演进意义（埋伏笔）

🟢 v1：

👉 能跑通流程

🟡 v2：

👉 接入真实数据系统（Doris）

🔴 v3：

👉 引入语义层（核心升级）

🚀 下一篇预告

👉 《Multi-Agent不是聊天：如何拆分Data / Strategy / Report Agent》