[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-FireBird-Technologies--Auto-Analyst":3,"tool-FireBird-Technologies--Auto-Analyst":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":80,"owner_twitter":79,"owner_website":81,"owner_url":82,"languages":83,"stars":117,"forks":118,"last_commit_at":119,"license":120,"difficulty_score":10,"env_os":121,"env_gpu":122,"env_ram":122,"env_deps":123,"category_tags":136,"github_topics":137,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":146,"updated_at":147,"faqs":148,"releases":176},1251,"FireBird-Technologies\u002FAuto-Analyst","Auto-Analyst","Open-source AI-powered data science platform. ","Auto-Analyst 是一个开源的人工智能数据科学平台，旨在自动化数据科学工作流程，从数据清洗、统计分析到机器学习和可视化，都能高效完成。它解决了传统数据分析中流程繁琐、需要大量人工干预的问题，让数据科学家能够更专注于洞察与决策，而非重复性操作。\n\nAuto-Analyst 适合数据科学家、研究人员以及希望提升数据分析效率的开发者使用。用户只需上传数据并描述需求，平台即可自动完成数据预处理、建模与可视化等任务，极大降低了使用门槛。\n\n其独特之处在于模块化架构和对多种大语言模型（LLM）的兼容性，支持自定义 API 密钥，避免厂商锁定。同时，内置多个专业代理（如数据预处理、统计分析、机器学习和可视化），并可通过 DSPy 框架灵活扩展功能。无论是快速分析数据，还是构建定制化分析流程，Auto-Analyst 都能提供强大而灵活的支持。","![Auto Analyst Logo](\u002Fauto-analyst-backend\u002Fimages\u002Fauto-analyst%20logo.png)\n\n# Auto-Analyst — Your Open-Source AI Data Scientist\n\n![Auto-Analyst Platform](\u002Fauto-analyst-backend\u002Fimages\u002FAuto-analyst-poster.png)\n\n**By [Firebird Technologies](https:\u002F\u002Fwww.firebird-technologies.com)**\n\nAuto-Analyst is a fully open-sourced, modular AI system designed to automate data science workflows — from data cleaning and statistical analysis to machine learning and visualization.\n\nYou can try it live at: [https:\u002F\u002Fwww.autoanalyst.ai\u002Fchat](https:\u002F\u002Fwww.autoanalyst.ai)\n\n---\n\n## 🚀 Highlights\n\n* ✅ **Open Source**: Licensed under a highly MIT permissive license.\n* 🔄 **LLM Agnostic**: Compatible with any LLM API – OpenAI, Anthropic, Deepseek (groq), etc.\n* 💸 **Bring Your Own API Key**: No vendor lock-in; use your own keys, pay only what you use.\n* 🖥️ **User-Centric UI**: Built with data scientists in mind.\n* 🛡️ **Reliable Outputs**: Guardrails for robust and interpretable responses.\n* ⚙️ **Modular Agent Architecture**: Add or customize agents using [DSPy](https:\u002F\u002Fgithub.com\u002Fstanfordnlp\u002Fdspy).\n\n---\n\n## Live App\n\nStart analyzing here:\n👉 **[https:\u002F\u002Fwww.autoanalyst.ai\u002Fchat](https:\u002F\u002Fwww.autoanalyst.ai\u002Fchat)**\n\n---\n\n##  How It Works\n\n### 🪜 Step-by-Step Walkthrough\n\n#### 1️⃣ Upload Your Dataset\n\n* Click the 📎 icon near the chat input.\n* Upload `.csv` or `.xlsx` files. More connectors (APIs, SQL, etc.) available upon request.\n\n#### 2️⃣ Describe Your Dataset\n\n* Enter a short text description of what your dataset is about.\n* Auto-Analyst will generate a cleaned, structured metadata summary optimized for LLM workflows.\n* ✍️ Tip: Rename generic columns like `var_1` to `price`, `category`, etc., for better analysis.\n\n#### 3️⃣ Ask a Question\n\nUse either:\n\n* **@agent\\_name** to specify which agent to use (e.g. `@preprocessing_agent`)\n* Or **no agent tag** to let the **planner** route your query automatically.\n\n---\n\n##  Built-in Agents\n\n| Agent                          | Description                                                                                          |\n| ------------------------------ | ---------------------------------------------------------------------------------------------------- |\n| `@preprocessing_agent`         | Cleans data using `pandas` and `numpy`. Fixes types, handles nulls, computes aggregates.             |\n| `@statistical_analytics_agent` | Performs regression, correlation, ANOVA, and other statistical tests with `statsmodels`.             |\n| `@sk_learn_agent`              | Trains machine learning models like Random Forest, KMeans, Logistic Regression using `scikit-learn`. |\n| `@data_viz_agent`              | Generates visualizations using `plotly`. Includes a retriever to pick optimal chart formats.         |\n\n🌟 Modular and extensible! You can add custom agents for:\n\n* Marketing\n* Quantitative Finance\n* Web APIs (Slack, Notion, etc.)\n\n---\n\n## 💬 Planner Mode\n\nWant to delegate the query routing?\n\nJust type your question without specifying an agent. The **planner** will:\n\n* Select the right agent(s)\n* Generate plan instructions\n* Coordinate inter-agent workflows\n* Collect and display results (including plots & summaries)\n\n---\n\n## 🧑‍💻 Developer Features\n\n### 📁 Modular Agent System (DSPy)\n\nAgents are implemented as `dspy.Signature` classes. Example:\n\n```python\nclass google_ads_analyzer_agent(dspy.Signature):\n    goal = dspy.InputField(desc=\"User goal\")\n    dataset = dspy.InputField(desc=\"DataFrame\")\n    plan_instructions = dspy.InputField(desc=\"Instructions\")\n    code = dspy.OutputField(desc=\"Python code\")\n    summary = dspy.OutputField(desc=\"Analysis summary\")\n```\n\nAdd your own agent in minutes.\n\n### 🔌 Built-in Dataset Connectors\n\n* **Ads**: Google Ads, Meta, LinkedIn Ads\n* **CRM**: HubSpot, Salesforce\n* **SQL**: Postgres, MySQL, Oracle, DuckDB\n\nWant more? Submit a request: [Contact Us](https:\u002F\u002Fwww.autoanalyst.ai\u002Fcontact)\n\n---\n\n## 🖼️ UI Feature Overview\n\n| Feature                               | Description                                                                                     |\n| ------------------------------------- | ----------------------------------------------------------------------------------------------- |\n| 💬 Chat Interface                     | Ask questions and receive answers like a regular chat.                                          |\n| 🧑‍💻 Code Editor                     | Inspect and edit generated code. Features include: AI-assisted edits, auto-fix for broken code. |\n| 📊 Analytics Dashboard *(Enterprise)* | Monitor usage, set limits, allocate credits, enforce roles & permissions.                       |\n\n---\n\n## 🛠 Backend Highlights\n\n* 🔧 Agent orchestration via DSPy\n* 🧠 Model-agnostic LLM support\n* 📈 Built-in chart formatter for best-guess visualization types\n* 📂 Multi-agent workflows powered by centralized planner\n* 🔄 Daily scheduled reports & auto-regeneration (enterprise-ready)\n\n---\n\n## 📅 Roadmap\n\n### 🔜 Short-Term Goals\n\n* [ ] Deep Analysis Mode (LLM equivalent of longform research)\n* [ ] Multi-CSV \u002F multi-sheet Excel analysis\n* [ ] User-defined analytics agents via UI\n* [ ] Improved code-editing and auto-debugging\n\n### 🔭 Long-Term Vision\n\n* **Usability-First**: Optimize UX through iteration and user feedback\n* **Community-Driven**: Shaped by the global analyst community (follow us on [Substack](https:\u002F\u002Ffirebirdtech.substack.com), LinkedIn)\n* **Open Collaboration**: Build and share new agents, retrievers, and datasets\n\n---\n\n## 🧩 Contributing\n\nWe welcome contributions! You can:\n\n* Add new agents\n* Suggest UX improvements\n* Contribute templates or datasets\n* Submit bug reports or pull requests\n\n📬 For collaboration or enterprise inquiries: [https:\u002F\u002Fwww.autoanalyst.ai\u002Fcontact](https:\u002F\u002Fwww.autoanalyst.ai\u002Fcontact)\n\n---\n\n## 📄 License\n\nAuto-Analyst is released under the **MIT License** — feel free to use, remix, and build on it.\n\n\n## 🐦 Follow Us\n\n* 🌐 [Website](https:\u002F\u002Fwww.autoanalyst.ai)\n* 📰 [Substack](https:\u002F\u002Ffirebirdtech.substack.com)\n* 💼 [LinkedIn](https:\u002F\u002Fwww.linkedin.com\u002Fcompany\u002Ffirebird-technologies-singapore)\n\n---\n\nBuilt with ❤️ by Firebird Technologies\n*AI. Tech. Fire.*\n\n","![Auto Analyst Logo](\u002Fauto-analyst-backend\u002Fimages\u002Fauto-analyst%20logo.png)\n\n# Auto-Analyst — 您的开源 AI 数据科学家\n\n![Auto-Analyst 平台](\u002Fauto-analyst-backend\u002Fimages\u002FAuto-analyst-poster.png)\n\n**由 [Firebird Technologies](https:\u002F\u002Fwww.firebird-technologies.com) 提供**\n\nAuto-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。\n\n您可以在以下网址实时体验：[https:\u002F\u002Fwww.autoanalyst.ai\u002Fchat](https:\u002F\u002Fwww.autoanalyst.ai\u002Fchat)\n\n---\n\n## 🚀 亮点\n\n* ✅ **开源**：采用高度宽松的 MIT 许可证。\n* 🔄 **与 LLM 无关**：兼容任何 LLM API——OpenAI、Anthropic、Deepseek（groq）等。\n* 💸 **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。\n* 🖥️ **以用户为中心的界面**：专为数据科学家打造。\n* 🛡️ **可靠的输出**：设置护栏以确保响应稳健且可解释。\n* ⚙️ **模块化代理架构**：可使用 [DSPy](https:\u002F\u002Fgithub.com\u002Fstanfordnlp\u002Fdspy) 添加或自定义代理。\n\n---\n\n## 实时应用\n\n在此开始分析：\n👉 **[https:\u002F\u002Fwww.autoanalyst.ai\u002Fchat](https:\u002F\u002Fwww.autoanalyst.ai\u002Fchat)**\n\n---\n\n## 工作原理\n\n### 🪜 分步指南\n\n#### 1️⃣ 上传您的数据集\n\n* 点击聊天输入框附近的 📎 图标。\n* 上传 `.csv` 或 `.xlsx` 文件。更多连接器（API、SQL 等）可根据需求提供。\n\n#### 2️⃣ 描述您的数据集\n\n* 输入一段简短的文字描述，说明您的数据集内容。\n* 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。\n* ✍️ 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。\n\n#### 3️⃣ 提问\n\n您可以：\n\n* 使用 **@agent_name** 指定要使用的代理（例如 `@preprocessing_agent`）\n* 或者不加代理标签，让 **planner** 自动路由您的问题。\n\n---\n\n## 内置代理\n\n| 代理                          | 描述                                                                                          |\n| ------------------------------ | ----------------------------------------------------------------------------------------------- |\n| `@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。                         |\n| `@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。                             |\n| `@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。                           |\n| `@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。                           |\n\n🌟 模块化且可扩展！您还可以添加自定义代理，用于：\n\n* 营销\n* 定量金融\n* Web API（Slack、Notion 等）\n\n---\n\n## 💬 Planner 模式\n\n想让系统自动分配查询路由吗？\n\n只需直接输入问题，无需指定代理。**planner** 将会：\n\n* 选择合适的代理\n* 生成计划指令\n* 协调代理间的工作流程\n* 收集并展示结果（包括图表与摘要）\n\n---\n\n## 🧑‍💻 开发者功能\n\n### 📁 模块化代理系统 (DSPy)\n\n代理以 `dspy.Signature` 类的形式实现。示例：\n\n```python\nclass google_ads_analyzer_agent(dspy.Signature):\n    goal = dspy.InputField(desc=\"用户目标\")\n    dataset = dspy.InputField(desc=\"DataFrame\")\n    plan_instructions = dspy.InputField(desc=\"指令\")\n    code = dspy.OutputField(desc=\"Python 代码\")\n    summary = dspy.OutputField(desc=\"分析摘要\")\n```\n\n几分钟即可添加您自己的代理。\n\n### 🔌 内置数据集连接器\n\n* **广告**：Google Ads、Meta、LinkedIn Ads\n* **CRM**：HubSpot、Salesforce\n* **SQL**：Postgres、MySQL、Oracle、DuckDB\n\n需要更多？请提交请求：[联系我们](https:\u002F\u002Fwww.autoanalyst.ai\u002Fcontact)\n\n---\n\n## 🖼️ 界面功能概览\n\n| 功能                               | 描述                                                                                     |\n| ------------------------------------- | ------------------------------------------------------------------------------------------ |\n| 💬 聊天界面                     | 像普通聊天一样提问并获得回答。                                                             |\n| 🧑‍💻 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。                           |\n| 📊 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。                                   |\n\n---\n\n## 🛠 后端亮点\n\n* 🔧 通过 DSPy 实现代理编排\n* 🧠 与模型无关的 LLM 支持\n* 📈 内置图表格式化器，自动推荐最佳可视化类型\n* 📂 多代理工作流由集中式 planner 驱动\n* 🔄 每日定时报告与自动再生（企业级可用）\n\n---\n\n## 📅 路线图\n\n### 🔜 短期目标\n\n* [ ] 深度分析模式（LLM 版本的长篇研究）\n* [ ] 多 CSV \u002F 多 Excel 表格分析\n* [ ] 通过 UI 定义分析代理\n* [ ] 改进代码编辑与自动调试\n\n### 🔭 长期愿景\n\n* **以易用性为先**：通过迭代与用户反馈优化用户体验\n* **社区驱动**：由全球分析师社区塑造（关注我们的 [Substack](https:\u002F\u002Ffirebirdtech.substack.com)、LinkedIn）\n* **开放协作**：构建并共享新代理、检索器与数据集\n\n---\n\n## 🧩 贡献\n\n我们欢迎您的贡献！您可以：\n\n* 添加新代理\n* 提出 UX 改进建议\n* 贡献模板或数据集\n* 提交 bug 报告或 pull request\n\n📬 如需合作或企业咨询：[https:\u002F\u002Fwww.autoanalyst.ai\u002Fcontact](https:\u002F\u002Fwww.autoanalyst.ai\u002Fcontact)\n\n---\n\n## 📄 许可证\n\nAuto-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。\n\n\n## 🐦 关注我们\n\n* 🌐 [官网](https:\u002F\u002Fwww.autoanalyst.ai)\n* 📰 [Substack](https:\u002F\u002Ffirebirdtech.substack.com)\n* 💼 [LinkedIn](https:\u002F\u002Fwww.linkedin.com\u002Fcompany\u002Ffirebird-technologies-singapore)\n\n---\n\n由 Firebird Technologies 用心打造\n*AI. Tech. Fire.*","# Auto-Analyst 快速上手指南\n\n---\n\n## 环境准备\n\n### 系统要求\n\n- 操作系统：支持 Linux、macOS 或 Windows（推荐使用 Linux 或 macOS）\n- Python 版本：3.8 及以上\n- 依赖库：需安装 Python 基础库如 `pandas`、`numpy`、`scikit-learn`、`plotly` 等，具体见安装步骤\n\n### 前置依赖\n\n确保已安装以下工具：\n\n- Python 3.8+\n- pip (Python 包管理器)\n- Git (用于克隆代码仓库)\n\n---\n\n## 安装步骤\n\n1. **克隆项目仓库**\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ffirebird-technologies\u002Fauto-analyst.git\ncd auto-analyst\n```\n\n2. **安装依赖**\n\n```bash\npip install -r requirements.txt\n```\n\n> 如果你在中国，建议使用国内镜像源加速安装，例如：\n\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n3. **启动服务**\n\n```bash\npython main.py\n```\n\n默认情况下，服务会在本地运行，并可通过浏览器访问 [http:\u002F\u002Flocalhost:5000](http:\u002F\u002Flocalhost:5000)。\n\n---\n\n## 基本使用\n\n### 步骤 1：上传数据集\n\n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）。\n\n### 步骤 2：描述数据集\n\n在聊天框中输入简短的描述，例如：\n\n```\n这是一个销售数据集，包含产品类别、销售额和日期信息。\n```\n\nAuto-Analyst 会自动生成结构化元数据并优化为 LLM 工作流。\n\n### 步骤 3：提问分析\n\n你可以直接提问，或指定某个 Agent 来执行任务。例如：\n\n- 直接提问（由 Planner 自动分配 Agent）：\n  \n  ```\n  请分析销售额最高的产品类别。\n  ```\n\n- 指定 Agent 执行任务：\n\n  ```\n  @preprocessing_agent 清洗数据并处理缺失值。\n  ```\n\n  ```\n  @statistical_analytics_agent 计算销售额与日期的相关性。\n  ```\n\n  ```\n  @data_viz_agent 生成销售额趋势图。\n  ```\n\n---\n\n## 小贴士\n\n- 若想自定义 Agent，可参考 `dspy.Signature` 类实现，如：\n\n```python\nclass google_ads_analyzer_agent(dspy.Signature):\n    goal = dspy.InputField(desc=\"User goal\")\n    dataset = dspy.InputField(desc=\"DataFrame\")\n    plan_instructions = dspy.InputField(desc=\"Instructions\")\n    code = dspy.OutputField(desc=\"Python code\")\n    summary = dspy.OutputField(desc=\"Analysis summary\")\n```\n\n- 更多功能（如企业级仪表盘、API 连接器等）可在 [官网](https:\u002F\u002Fwww.autoanalyst.ai) 获取。","某电商公司数据分析师小李需要处理客户行为数据，以支持市场团队制定精准营销策略。他每天都要面对多个格式不一的数据集，并进行清洗、分析和可视化。\n\n### 没有 Auto-Analyst 时\n\n- 数据清洗耗时长，需手动处理缺失值、异常值及列名重命名。\n- 分析过程复杂，需分别调用不同库（如 `pandas`、`statsmodels`、`scikit-learn`）完成预处理、统计分析与建模。\n- 可视化工作繁琐，需根据数据类型选择合适的图表并手动调整参数。\n- 需要编写大量重复性代码，效率低且容易出错。\n- 缺乏统一平台管理整个分析流程，难以快速响应业务需求。\n\n### 使用 Auto-Analyst 后\n\n- 自动完成数据清洗，包括类型修正、空值填充和列名优化，节省大量人工操作时间。\n- 通过内置的多个代理（如 `@preprocessing_agent`、`@statistical_analytics_agent`）实现端到端自动化分析，无需手动切换工具。\n- 内置的 `@data_viz_agent` 能根据数据内容自动生成最佳图表类型，提升可视化效率与准确性。\n- 支持通过自然语言提问，系统自动规划任务并协调各代理执行，显著降低编程门槛。\n- 提供模块化架构，可灵活扩展自定义代理，满足特定业务场景需求。\n\nAuto-Analyst 让数据分析师从重复性工作中解放出来，专注于高价值的洞察与决策支持。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFireBird-Technologies_Auto-Analyst_b9b04131.png","FireBird-Technologies","FireBird Technologies","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FFireBird-Technologies_9af87d8e.jpg","AI SaaS and services ",null,"arslan@firebird-technologies.com","www.firebird-technologies.com","https:\u002F\u002Fgithub.com\u002FFireBird-Technologies",[84,88,92,96,100,104,107,111,114],{"name":85,"color":86,"percentage":87},"TypeScript","#3178c6",63.7,{"name":89,"color":90,"percentage":91},"Python","#3572A5",33.5,{"name":93,"color":94,"percentage":95},"Jupyter Notebook","#DA5B0B",2.2,{"name":97,"color":98,"percentage":99},"Shell","#89e051",0.3,{"name":101,"color":102,"percentage":103},"JavaScript","#f1e05a",0.1,{"name":105,"color":106,"percentage":103},"CSS","#663399",{"name":108,"color":109,"percentage":110},"Dockerfile","#384d54",0,{"name":112,"color":113,"percentage":110},"HCL","#844FBA",{"name":115,"color":116,"percentage":110},"Procfile","#3B2F63",683,117,"2026-04-02T15:35:22","MIT","Linux, macOS, Windows","未说明",{"notes":124,"python":125,"dependencies":126},"建议使用 conda 管理环境，首次运行需下载约 5GB 模型文件","3.8+",[127,128,129,130,131,132,133,134,135],"dspy","pandas","numpy","statsmodels","scikit-learn","plotly","torch","transformers","accelerate",[13,54,14,26,51,15],[138,139,140,141,142,143,144,145],"ai","claude","data-analysis","data-science","data-visualization","dspy-ai","large-language-models","openai","2026-03-27T02:49:30.150509","2026-04-06T11:30:51.670782",[149,154,159,164,168,172],{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},5698,"如何通过 ngrok 将 Auto-Analyst 部署到外部公共域名？","在后端的 `.env` 文件中添加 `ENVIRONMENT=development`，这将跳过严格的 CORS 检查，允许从任何来源（包括 ngrok 域名）发起请求。如果希望保留严格的 CORS 行为，可以显式允许 ngrok 域名。此外，确保前端的 `NEXT_PUBLIC_API_URL` 正确指向 ngrok 提供的公共域名。","https:\u002F\u002Fgithub.com\u002FFireBird-Technologies\u002FAuto-Analyst\u002Fissues\u002F155",{"id":155,"question_zh":156,"answer_zh":157,"source_url":158},5699,"上传 LinkedIn Connections.csv 文件时出现分词错误怎么办？","请确认 CSV 文件的编码格式和分隔符是否正确，默认使用 UTF-8 编码和逗号作为分隔符。如果文件使用了不同的编码或分隔符，请调整设置后再尝试上传。","https:\u002F\u002Fgithub.com\u002FFireBird-Technologies\u002FAuto-Analyst\u002Fissues\u002F125",{"id":160,"question_zh":161,"answer_zh":162,"source_url":163},5700,"启动后端时提示 ModuleNotFoundError: No module named 'groq' 是什么问题？","请使用 Python 模块调用方式启动 uvicorn，以确保使用当前环境的 Python 解释器。命令如下：\n```\npython -m uvicorn app:app --host 0.0.0.0 --port 7860\n```","https:\u002F\u002Fgithub.com\u002FFireBird-Technologies\u002FAuto-Analyst\u002Fissues\u002F124",{"id":165,"question_zh":166,"answer_zh":167,"source_url":153},5701,"为什么使用 ngrok 后 `\u002Fchat` 路由无法正常工作？","可能是由于 CORS（跨域资源共享）限制导致的问题。建议在后端配置中设置 `ENVIRONMENT=development` 来放宽 CORS 策略，或者显式允许 ngrok 的域名。",{"id":169,"question_zh":170,"answer_zh":171,"source_url":153},5702,"如何解决前端加载成功但无法与 `\u002Fchat` 路由进行交互的问题？","检查前端是否正确获取到了后端返回的数据，尤其是当使用 ngrok 公共域名时，可能会因为 CORS 限制导致数据获取失败。确保后端已正确配置 CORS 策略，并且前端 API 地址指向正确的 ngrok 域名。",{"id":173,"question_zh":174,"answer_zh":175,"source_url":158},5703,"如何避免上传 CSV 文件时出现不相关的数据解析错误？","请确认 CSV 文件内容是否与 Auto-Analyst 所需的数据结构匹配。如果文件包含非预期数据（如住宅房产信息），请清理数据后再上传。同时，检查文件的编码和分隔符是否符合默认设置（UTF-8 和逗号分隔）。",[]]