Auto-Analyst — 您的开源 AI 数据科学家

由 Firebird Technologies 提供

Auto-Analyst 是一个完全开源、模块化的 AI 系统，旨在自动化数据科学工作流——从数据清洗、统计分析到机器学习与可视化。

您可以在以下网址实时体验：https://www.autoanalyst.ai/chat

---

🚀 亮点

• ✅ 开源：采用高度宽松的 MIT 许可证。
• 🔄 与 LLM 无关：兼容任何 LLM API——OpenAI、Anthropic、Deepseek（groq）等。
• 💸 自带 API 密钥：无供应商锁定；使用您自己的密钥，按实际用量付费。
• 🖥️ 以用户为中心的界面：专为数据科学家打造。
• 🛡️ 可靠的输出：设置护栏以确保响应稳健且可解释。
• ⚙️ 模块化代理架构：可使用 DSPy 添加或自定义代理。

---

实时应用

在此开始分析： 👉 https://www.autoanalyst.ai/chat

---

工作原理

🪜 分步指南

1️⃣ 上传您的数据集

• 点击聊天输入框附近的 📎 图标。
• 上传 .csv 或 .xlsx 文件。更多连接器（API、SQL 等）可根据需求提供。

2️⃣ 描述您的数据集

• 输入一段简短的文字描述，说明您的数据集内容。
• Auto-Analyst 将生成经过清理、结构化的元数据摘要，专为 LLM 工作流优化。
• ✍️ 小贴士：将诸如 var_1 的通用列重命名为 price、category 等，以便更好地进行分析。

3️⃣ 提问

您可以：

• 使用 @agent_name 指定要使用的代理（例如 @preprocessing_agent）
• 或者不加代理标签，让 planner 自动路由您的问题。

---

内置代理

代理	描述
@preprocessing_agent	使用 pandas 和 numpy 清洗数据。修正数据类型、处理空值、计算聚合。
@statistical_analytics_agent	使用 statsmodels 进行回归、相关性分析、方差分析及其他统计检验。
@sk_learn_agent	使用 scikit-learn 训练随机森林、KMeans、逻辑回归等机器学习模型。
@data_viz_agent	使用 plotly 生成可视化图表。包含检索器，可自动选择最佳图表格式。

🌟 模块化且可扩展！您还可以添加自定义代理，用于：

• 营销
• 定量金融
• Web API（Slack、Notion 等）

---

💬 Planner 模式

想让系统自动分配查询路由吗？

只需直接输入问题，无需指定代理。planner 将会：

• 选择合适的代理
• 生成计划指令
• 协调代理间的工作流程
• 收集并展示结果（包括图表与摘要）

---

🧑‍💻 开发者功能

📁 模块化代理系统 (DSPy)

代理以 dspy.Signature 类的形式实现。示例：

class google_ads_analyzer_agent(dspy.Signature):
    goal = dspy.InputField(desc="用户目标")
    dataset = dspy.InputField(desc="DataFrame")
    plan_instructions = dspy.InputField(desc="指令")
    code = dspy.OutputField(desc="Python 代码")
    summary = dspy.OutputField(desc="分析摘要")

几分钟即可添加您自己的代理。

🔌 内置数据集连接器

• 广告：Google Ads、Meta、LinkedIn Ads
• CRM：HubSpot、Salesforce
• SQL：Postgres、MySQL、Oracle、DuckDB

需要更多？请提交请求：联系我们

---

🖼️ 界面功能概览

功能	描述
💬 聊天界面	像普通聊天一样提问并获得回答。
🧑‍💻 代码编辑器	查看并编辑生成的代码。功能包括：AI 辅助编辑、自动修复错误代码。
📊 分析仪表板 (企业版)	监控使用情况、设置限额、分配积分、实施角色与权限管理。

---

🛠 后端亮点

• 🔧 通过 DSPy 实现代理编排
• 🧠 与模型无关的 LLM 支持
• 📈 内置图表格式化器，自动推荐最佳可视化类型
• 📂 多代理工作流由集中式 planner 驱动
• 🔄 每日定时报告与自动再生（企业级可用）

---

📅 路线图

🔜 短期目标

• 深度分析模式（LLM 版本的长篇研究）
• 多 CSV / 多 Excel 表格分析
• 通过 UI 定义分析代理
• 改进代码编辑与自动调试

🔭 长期愿景

• 以易用性为先：通过迭代与用户反馈优化用户体验
• 社区驱动：由全球分析师社区塑造（关注我们的 Substack、LinkedIn）
• 开放协作：构建并共享新代理、检索器与数据集

---

🧩 贡献

我们欢迎您的贡献！您可以：

• 添加新代理
• 提出 UX 改进建议
• 贡献模板或数据集
• 提交 bug 报告或 pull request

📬 如需合作或企业咨询：https://www.autoanalyst.ai/contact

---

📄 许可证

Auto-Analyst 采用 MIT 许可证 发布——您可以自由使用、改编并在此基础上构建。

🐦 关注我们

• 🌐 官网
• 📰 Substack
• 💼 LinkedIn

---

由 Firebird Technologies 用心打造 AI. Tech. Fire.

Auto-Analyst 快速上手指南

---

环境准备

系统要求

• 操作系统：支持 Linux、macOS 或 Windows（推荐使用 Linux 或 macOS）
• Python 版本：3.8 及以上
• 依赖库：需安装 Python 基础库如 pandas、numpy、scikit-learn、plotly 等，具体见安装步骤

前置依赖

确保已安装以下工具：

• Python 3.8+
• pip (Python 包管理器)
• Git (用于克隆代码仓库)

---

安装步骤

1. 克隆项目仓库

git clone https://github.com/firebird-technologies/auto-analyst.git
cd auto-analyst

2. 安装依赖

pip install -r requirements.txt

如果你在中国，建议使用国内镜像源加速安装，例如：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 启动服务

python main.py

默认情况下，服务会在本地运行，并可通过浏览器访问 http://localhost:5000。

---

基本使用

步骤 1：上传数据集

在 Web 界面中，点击聊天框旁边的 📎 图标，上传 .csv 或 .xlsx 文件。也可以通过 API 或 SQL 数据源导入数据（需要配置连接器）。

步骤 2：描述数据集

在聊天框中输入简短的描述，例如：

这是一个销售数据集，包含产品类别、销售额和日期信息。

Auto-Analyst 会自动生成结构化元数据并优化为 LLM 工作流。

步骤 3：提问分析

你可以直接提问，或指定某个 Agent 来执行任务。例如：

• 直接提问（由 Planner 自动分配 Agent）：

  请分析销售额最高的产品类别。
  

• 指定 Agent 执行任务：

  @preprocessing_agent 清洗数据并处理缺失值。
  

  @statistical_analytics_agent 计算销售额与日期的相关性。
  

  @data_viz_agent 生成销售额趋势图。
  

---

小贴士

• 若想自定义 Agent，可参考 dspy.Signature 类实现，如：

class google_ads_analyzer_agent(dspy.Signature):
    goal = dspy.InputField(desc="User goal")
    dataset = dspy.InputField(desc="DataFrame")
    plan_instructions = dspy.InputField(desc="Instructions")
    code = dspy.OutputField(desc="Python code")
    summary = dspy.OutputField(desc="Analysis summary")

• 更多功能（如企业级仪表盘、API 连接器等）可在 官网 获取。