[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-business-science--ai-data-science-team":3,"tool-business-science--ai-data-science-team":62},[4,18,26,36,46,54],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",159267,2,"2026-04-17T11:29:14",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":42,"last_commit_at":43,"category_tags":44,"status":17},8272,"opencode","anomalyco\u002Fopencode","OpenCode 是一款开源的 AI 编程助手（Coding Agent），旨在像一位智能搭档一样融入您的开发流程。它不仅仅是一个代码补全插件，而是一个能够理解项目上下文、自主规划任务并执行复杂编码操作的智能体。无论是生成全新功能、重构现有代码，还是排查难以定位的 Bug，OpenCode 都能通过自然语言交互高效完成，显著减少开发者在重复性劳动和上下文切换上的时间消耗。\n\n这款工具专为软件开发者、工程师及技术研究人员设计，特别适合希望利用大模型能力来提升编码效率、加速原型开发或处理遗留代码维护的专业人群。其核心亮点在于完全开源的架构，这意味着用户可以审查代码逻辑、自定义行为策略，甚至私有化部署以保障数据安全，彻底打破了传统闭源 AI 助手的“黑盒”限制。\n\n在技术体验上，OpenCode 提供了灵活的终端界面（Terminal UI）和正在测试中的桌面应用程序，支持 macOS、Windows 及 Linux 全平台。它兼容多种包管理工具，安装便捷，并能无缝集成到现有的开发环境中。无论您是追求极致控制权的资深极客，还是渴望提升产出的独立开发者，OpenCode 都提供了一个透明、可信",144296,1,"2026-04-16T14:50:03",[13,45],"插件",{"id":47,"name":48,"github_repo":49,"description_zh":50,"stars":51,"difficulty_score":32,"last_commit_at":52,"category_tags":53,"status":17},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。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":55,"name":56,"github_repo":57,"description_zh":58,"stars":59,"difficulty_score":32,"last_commit_at":60,"category_tags":61,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[45,13,15,14],{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":68,"readme_en":69,"readme_zh":70,"quickstart_zh":71,"use_case_zh":72,"hero_image_url":73,"owner_login":74,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":78,"owner_email":79,"owner_twitter":78,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":32,"env_os":91,"env_gpu":92,"env_ram":91,"env_deps":93,"category_tags":102,"github_topics":104,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":118,"updated_at":119,"faqs":120,"releases":150},8526,"business-science\u002Fai-data-science-team","ai-data-science-team","An AI-powered data science team of agents to help you perform common data science tasks 10X faster.","ai-data-science-team 是一个由多个智能体组成的 AI 数据科学团队，旨在帮助开发者将常见的数据分析任务效率提升十倍。它不仅仅是一个代码库，更包含了一款名为\"AI Pipeline Studio\"的核心应用，能够将数据处理流程转化为可视化、可复现的流水线。\n\n在传统数据科学工作中，从数据加载、清洗、特征工程到建模评估，往往需要人工编写大量重复代码且难以维护。ai-data-science-team 通过引入分工明确的专业智能体（如数据清洗代理、可视化代理、SQL 交互代理及监督代理等），自动协同完成这些复杂步骤，显著降低了操作门槛并确保了流程的可追溯性。其独特的技术亮点在于支持“手动 +AI\"混合工作流，既保留了人工干预的灵活性，又利用了 AI 的自动化能力，同时兼容 OpenAI 云端模型与 Ollama 本地大模型，兼顾了隐私与成本需求。\n\n这款工具非常适合数据科学家、Python 开发者以及希望快速构建自动化分析流程的研究人员使用。无论你是想探索自动化 EDA（探索性数据分析），还是希望搭建端到端的机器学习管道，ai-data-science-team 都能提供","ai-data-science-team 是一个由多个智能体组成的 AI 数据科学团队，旨在帮助开发者将常见的数据分析任务效率提升十倍。它不仅仅是一个代码库，更包含了一款名为\"AI Pipeline Studio\"的核心应用，能够将数据处理流程转化为可视化、可复现的流水线。\n\n在传统数据科学工作中，从数据加载、清洗、特征工程到建模评估，往往需要人工编写大量重复代码且难以维护。ai-data-science-team 通过引入分工明确的专业智能体（如数据清洗代理、可视化代理、SQL 交互代理及监督代理等），自动协同完成这些复杂步骤，显著降低了操作门槛并确保了流程的可追溯性。其独特的技术亮点在于支持“手动 +AI\"混合工作流，既保留了人工干预的灵活性，又利用了 AI 的自动化能力，同时兼容 OpenAI 云端模型与 Ollama 本地大模型，兼顾了隐私与成本需求。\n\n这款工具非常适合数据科学家、Python 开发者以及希望快速构建自动化分析流程的研究人员使用。无论你是想探索自动化 EDA（探索性数据分析），还是希望搭建端到端的机器学习管道，ai-data-science-team 都能提供一个高效、灵活且可视化的解决方案，让你从繁琐的代码细节中解放出来，专注于业务洞察。","\u003Cdiv align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\">\n    \u003Cpicture>\n      \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbusiness-science_ai-data-science-team_readme_8fd51842ec40.png\" alt=\"AI Data Science Team\" width=\"360\">\n    \u003C\u002Fpicture>\n  \u003C\u002Fa>\n\u003C\u002Fdiv>\n\u003Cdiv align=\"center\">\n  \u003Cem>AI Data Science Team + AI Pipeline Studio\u003C\u002Fem>\n\u003C\u002Fdiv>\n\u003Cdiv align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fai-data-science-team\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fai-data-science-team.svg?style=for-the-badge\" alt=\"PyPI\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Fai-data-science-team.svg?style=for-the-badge\" alt=\"versions\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fblob\u002Fmain\u002FLICENSE\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fbusiness-science\u002Fai-data-science-team.svg?style=for-the-badge\" alt=\"license\">\u003C\u002Fa>\n  \u003Cimg alt=\"GitHub Repo stars\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fbusiness-science\u002Fai-data-science-team?style=for-the-badge\">\n\u003C\u002Fdiv>\n\n# AI Data Science Team\n\nAI Data Science Team is a Python library of specialized agents for common data science workflows, plus a flagship app: **AI Pipeline Studio**. The Studio turns your work into a visual, reproducible pipeline, while the AI team handles data loading, cleaning, visualization, and modeling.\n\n**Status:** Beta. Breaking changes may occur until 0.1.0.\n\n[**Please ⭐ us on GitHub (it takes 2 seconds and means a lot).**](https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team)\n\n## AI Pipeline Studio (Flagship App)\n\nAI Pipeline Studio is the main example of the AI Data Science Team in action.\n\n![AI Pipeline Studio](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbusiness-science_ai-data-science-team_readme_65c288584ad6.jpg)\n\nHighlights:\n- Pipeline-first workspace: Visual Editor, Table, Chart, EDA, Code, Model, Predictions, MLflow\n- Manual + AI steps with lineage and reproducible scripts\n- Multi-dataset handling and merge workflows\n- Project saves: metadata-only or full-data\n- Storage footprint controls and rehydrate workflows\n\nRun it:\n```bash\nstreamlit run apps\u002Fai-pipeline-studio-app\u002Fapp.py\n```\n\nFull app docs: `apps\u002Fai-pipeline-studio-app\u002FREADME.md`\n\n## Quickstart\n\n### Requirements\n- Python 3.10+\n- OpenAI API key (or Ollama for local models)\n\n### Install the app and library\nClone the repo and install in editable mode:\n```bash\npip install -e .\n```\n\n### Run the AI Pipeline Studio app\n```bash\nstreamlit run apps\u002Fai-pipeline-studio-app\u002Fapp.py\n```\n\n## Library Overview\n\nThe repository includes both the **AI Pipeline Studio** app and the underlying **AI Data Science Team** library. The library provides agent building blocks and multi-agent workflows for:\n- Data loading and inspection\n- Cleaning, wrangling, and feature engineering\n- Visualization and EDA\n- Modeling and evaluation (H2O + MLflow tools)\n- SQL database interaction\n\n### Agents (Snapshot)\n\nAgent examples live in `examples\u002F`. Notable agents:\n- Data Loader Tools Agent\n- Data Wrangling Agent\n- Data Cleaning Agent\n- Data Visualization Agent\n- EDA Tools Agent\n- Feature Engineering Agent\n- SQL Database Agent\n- H2O ML Agent\n- MLflow Tools Agent\n- Multi-agent workflows (e.g., Pandas Data Analyst, SQL Data Analyst)\n- Supervisor Agent (oversees other agents)\n- Custom tools for data science tasks\n\n## Apps\n\nSee all apps in `apps\u002F`. Notable apps:\n- AI Pipeline Studio: `apps\u002Fai-pipeline-studio-app\u002F`\n- EDA Explorer App: `apps\u002Fexploratory-copilot-app\u002F`\n- Pandas Data Analyst App: `apps\u002Fpandas-data-analyst-app\u002F`\n\n## Use OpenAI\n\n```python\nfrom langchain_openai import ChatOpenAI\nllm = ChatOpenAI(\n    model_name=\"gpt-4.1-mini\",\n)\n```\n\n## Use Ollama (Local LLM)\n\n```bash\nollama serve\nollama pull llama3.1:8b\n```\n\n```python\nfrom langchain_ollama import ChatOllama\n\nllm = ChatOllama(\n    model=\"llama3.1:8b\",\n)\n```\n\n## Next-Gen AI Agentic Workshop\n\nWant to learn how to build AI agents and AI apps for real data science workflows? Join my next‑gen AI workshop:\nhttps:\u002F\u002Flearn.business-science.io\u002Fai-register\n","\u003Cdiv align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\">\n    \u003Cpicture>\n      \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbusiness-science_ai-data-science-team_readme_8fd51842ec40.png\" alt=\"AI Data Science Team\" width=\"360\">\n    \u003C\u002Fpicture>\n  \u003C\u002Fa>\n\u003C\u002Fdiv>\n\u003Cdiv align=\"center\">\n  \u003Cem>AI Data Science Team + AI Pipeline Studio\u003C\u002Fem>\n\u003C\u002Fdiv>\n\u003Cdiv align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fai-data-science-team\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fai-data-science-team.svg?style=for-the-badge\" alt=\"PyPI\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Fai-data-science-team.svg?style=for-the-badge\" alt=\"versions\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fblob\u002Fmain\u002FLICENSE\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fbusiness-science\u002Fai-data-science-team.svg?style=for-the-badge\" alt=\"license\">\u003C\u002Fa>\n  \u003Cimg alt=\"GitHub Repo stars\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fbusiness-science\u002Fai-data-science-team?style=for-the-badge\">\n\u003C\u002Fdiv>\n\n# AI 数据科学团队\n\nAI 数据科学团队是一个用于常见数据科学工作流的专业化智能体 Python 库，同时配备旗舰应用：**AI Pipeline Studio**。该工作室可将您的工作转化为可视化、可复现的流程管线，而 AI 团队则负责数据加载、清洗、可视化及建模。\n\n**状态：** 测试版。在 0.1.0 版本发布之前，可能会出现破坏性变更。\n\n[**请在 GitHub 上为我们点个星（只需 2 秒钟，却意义重大）。**](https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team)\n\n## AI Pipeline Studio（旗舰应用）\n\nAI Pipeline Studio 是 AI 数据科学团队实际应用的主要示例。\n\n![AI Pipeline Studio](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbusiness-science_ai-data-science-team_readme_65c288584ad6.jpg)\n\n亮点：\n- 以流程管线为核心的开发环境：可视化编辑器、表格、图表、探索性数据分析、代码、模型、预测结果、MLflow\n- 手动与 AI 步骤结合，具备 lineage 追踪和可复现的脚本\n- 多数据集处理与合并工作流\n- 支持项目保存：仅元数据或完整数据\n- 存储占用控制与数据恢复工作流\n\n运行方式：\n```bash\nstreamlit run apps\u002Fai-pipeline-studio-app\u002Fapp.py\n```\n\n完整应用文档：`apps\u002Fai-pipeline-studio-app\u002FREADME.md`\n\n## 快速入门\n\n### 需求\n- Python 3.10+\n- OpenAI API 密钥（或 Ollama 用于本地模型）\n\n### 安装应用与库\n克隆仓库并以可编辑模式安装：\n```bash\npip install -e .\n```\n\n### 运行 AI Pipeline Studio 应用\n```bash\nstreamlit run apps\u002Fai-pipeline-studio-app\u002Fapp.py\n```\n\n## 库概览\n\n该仓库同时包含 **AI Pipeline Studio** 应用和底层的 **AI 数据科学团队** 库。该库提供了构建智能体的基础模块以及多智能体工作流，适用于以下场景：\n- 数据加载与检查\n- 清洗、整理与特征工程\n- 可视化与探索性数据分析\n- 建模与评估（H2O + MLflow 工具）\n- SQL 数据库交互\n\n### 智能体（快照）\n\n智能体示例位于 `examples\u002F` 目录中。值得关注的智能体包括：\n- 数据加载工具智能体\n- 数据整理智能体\n- 数据清洗智能体\n- 数据可视化智能体\n- 探索性数据分析工具智能体\n- 特征工程智能体\n- SQL 数据库智能体\n- H2O 机器学习智能体\n- MLflow 工具智能体\n- 多智能体工作流（例如：Pandas 数据分析师、SQL 数据分析师）\n- 监督智能体（负责协调其他智能体）\n- 面向数据科学任务的自定义工具\n\n## 应用程序\n\n所有应用程序均可在 `apps\u002F` 目录中找到。值得关注的应用程序包括：\n- AI Pipeline Studio：`apps\u002Fai-pipeline-studio-app\u002F`\n- EDA 探索者应用：`apps\u002Fexploratory-copilot-app\u002F`\n- Pandas 数据分析师应用：`apps\u002Fpandas-data-analyst-app\u002F`\n\n## 使用 OpenAI\n\n```python\nfrom langchain_openai import ChatOpenAI\nllm = ChatOpenAI(\n    model_name=\"gpt-4.1-mini\",\n)\n```\n\n## 使用 Ollama（本地 LLM）\n\n```bash\nollama serve\nollama pull llama3.1:8b\n```\n\n```python\nfrom langchain_ollama import ChatOllama\n\nllm = ChatOllama(\n    model=\"llama3.1:8b\",\n)\n```\n\n## 下一代 AI 智能体工作坊\n\n想学习如何为真实的数据科学工作流构建 AI 智能体和 AI 应用吗？欢迎参加我的下一代 AI 工作坊：\nhttps:\u002F\u002Flearn.business-science.io\u002Fai-register","# AI Data Science Team 快速上手指南\n\n`ai-data-science-team` 是一个专为数据科学工作流设计的 Python 库，提供了一系列专用的 AI Agent（智能体），并包含旗舰应用 **AI Pipeline Studio**。该工具能协助你完成数据加载、清洗、可视化、特征工程及建模等任务，并将工作流程转化为可视化的可复现管道。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：3.10 或更高版本\n*   **大模型接口**：\n    *   **方案 A（推荐）**：OpenAI API Key（需具备访问权限）\n    *   **方案 B（本地部署）**：安装并运行 Ollama 以使用本地大模型（如 Llama 3.1）\n\n## 安装步骤\n\n### 1. 克隆仓库并安装\n推荐使用 `git` 克隆项目并以可编辑模式安装，以便体验最新功能或进行二次开发。\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team.git\ncd ai-data-science-team\npip install -e .\n```\n\n> **提示**：如果下载速度较慢，可添加国内镜像源加速安装：\n> `pip install -e . -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n### 2. 配置本地大模型（可选）\n如果你选择使用本地模型而非 OpenAI，请先启动 Ollama 服务并拉取模型：\n\n```bash\nollama serve\nollama pull llama3.1:8b\n```\n\n## 基本使用\n\n本工具的核心用法是启动 **AI Pipeline Studio** 图形化界面，通过可视化操作构建数据科学管道。\n\n### 启动 AI Pipeline Studio\n\n在项目根目录下运行以下命令启动应用：\n\n```bash\nstreamlit run apps\u002Fai-pipeline-studio-app\u002Fapp.py\n```\n\n启动后，浏览器会自动打开应用界面。你可以在其中：\n*   上传数据集\n*   通过自然语言指令让 AI 执行数据清洗、EDA（探索性数据分析）和建模\n*   查看生成的代码和可视化图表\n*   保存和复现整个分析流程\n\n### 代码集成示例\n\n如果你希望在代码中直接调用底层 Agent 能力，可以参考以下配置方式：\n\n**使用 OpenAI 模型：**\n```python\nfrom langchain_openai import ChatOpenAI\n\nllm = ChatOpenAI(\n    model_name=\"gpt-4.1-mini\",\n    # 请确保环境变量 OPENAI_API_KEY 已设置\n)\n```\n\n**使用 Ollama 本地模型：**\n```python\nfrom langchain_ollama import ChatOllama\n\nllm = ChatOllama(\n    model=\"llama3.1:8b\",\n)\n```\n\n配置好 `llm` 对象后，即可将其传递给库中的各类 Agent（如 `Data Cleaning Agent`, `H2O ML Agent` 等）来执行具体的数据科学任务。","某电商公司的数据分析师需要在半天内完成对百万级用户行为数据的清洗、探索性分析（EDA）并构建流失预测模型，以支持即将到来的营销活动决策。\n\n### 没有 ai-data-science-team 时\n- **重复劳动耗时**：手动编写大量 Pandas 代码处理缺失值和异常值，仅数据清洗就耗费了 60% 的项目时间。\n- **分析流程割裂**：数据加载、可视化图表生成和特征工程分散在不同脚本中，缺乏统一视图，难以复现和追溯分析路径。\n- **建模门槛较高**：尝试集成 H2O 或 MLflow 进行模型训练与评估时，需查阅大量文档配置环境，调试过程繁琐。\n- **协作沟通困难**：业务方无法直观理解中间分析步骤，只能等待最终报告，导致需求反馈滞后。\n\n### 使用 ai-data-science-team 后\n- **自动化流水线**：通过 AI Pipeline Studio 的可视化编辑器，自动调用 Data Cleaning Agent 和 Feature Engineering Agent，将数小时的清洗工作压缩至分钟级。\n- **全流程可追溯**：在统一的“管道优先”工作区中，从数据加载到模型预测的每一步都自动生成可复现代码和血缘记录，随时调整参数重跑。\n- **智能建模辅助**：直接利用内置的 H2O ML Agent 和 MLflow Tools Agent 完成模型训练与评估，无需手动配置复杂环境，快速输出高精度预测结果。\n- **交互式协作**：业务人员可通过界面直接查看动态图表和中间结论，实时提出调整建议，大幅缩短决策周期。\n\nai-data-science-team 将原本需要数天协作的数据科学任务转化为可视化的自动化流水线，让分析师从繁琐编码中解放，专注于高价值的业务洞察。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbusiness-science_ai-data-science-team_65c28858.jpg","business-science","Business Science","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fbusiness-science_91afe14c.png","Applying data science to business & financial analysis, tw: @bizScienc",null,"info@business-science.io","www.business-science.io","https:\u002F\u002Fgithub.com\u002Fbusiness-science",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,5165,900,"2026-04-16T13:19:32","MIT","未说明","非必需。支持使用本地大模型（如通过 Ollama 运行 Llama 3.1），若使用本地模型则取决于具体模型对 GPU 的需求；若仅使用 OpenAI API 则无需 GPU。",{"notes":94,"python":95,"dependencies":96},"该工具主要作为 Python 库和 Streamlit 应用运行。核心功能依赖外部 LLM 服务：既可使用 OpenAI API（需配置 API Key），也可通过 Ollama 部署本地模型（如 llama3.1:8b）。项目处于 Beta 阶段（0.1.0 之前），可能存在破坏性更新。安装方式为克隆仓库后以可编辑模式安装（pip install -e .）。","3.10+",[97,98,99,100,101],"langchain-openai","langchain-ollama","streamlit","h2o","mlflow",[35,16,13,14,103,15],"其他",[105,106,107,108,109,110,111,112,113,114,115,116,117],"data-science","generative-ai","agents","ai","ai-engineer","ai-engineering","copilot","data-scientist","gpt","machine-learning","ml-engineer","ml-engineering","openai","2026-03-27T02:49:30.150509","2026-04-18T00:47:12.290073",[121,126,131,136,141,146],{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},38178,"Sweetviz 工具报错“未返回报告文件路径”（No report file path was returned）怎么办？","这通常是因为当前运行的 Python 环境中未正确安装 `sweetviz` 或相关依赖库。请执行以下步骤排查：\n1. 确认你正在使用安装了 `ai-data-science-team` 和 `sweetviz` 的虚拟环境。\n2. 在终端运行以下命令启动应用进行测试：\n   ```bash\n   streamlit run apps\u002Fexploratory-copilot-app\u002Fapp.py\n   ```\n3. 检查你的 conda 或 pip 环境，确保 `sweetviz`、`numpy` 等库已安装且版本兼容。如果存在版本冲突，尝试更新这些库。","https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fissues\u002F52",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},38179,"初始化 Agent 时遇到 'ValueError: Found edge ending at unknown node' 错误如何解决？","该错误通常出现在启用“人机回环”（human_in_the_loop）功能时，涉及数据清洗或可视化 Agent 的图节点定义问题。维护者已修复此问题。\n解决方法：\n1. 确保将代码库更新至最新版本。\n2. 重新初始化 Agent，例如数据可视化 Agent 的代码如下：\n   ```python\n   data_visualization_agent = DataVisualizationAgent(\n       model=llm,\n       log=LOG,\n       log_path=LOG_PATH,\n       human_in_the_loop=True,\n   )\n   ```\n如果问题仍然存在，请检查是否传递了不兼容的参数（如旧的 checkpointer 配置）。","https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fissues\u002F53",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},38180,"加载 Pickle 文件时是否存在远程代码执行（RCE）的安全风险？","是的，由于 `pandas.read_pickle()` 依赖 Python 的 pickle 反序列化，加载不可信的文件可能导致任意代码执行。\n修复方案：\n1. 更新到最新版本，现在默认禁用 Pickle 加载。\n2. 如果必须加载 Pickle 文件，需显式设置环境变量 `ALLOW_UNSAFE_PICKLE=1` 来启用该功能，并仅加载受信任的文件源。\n3. 建议优先使用 JSON 或 CSV 等更安全的格式进行数据交换。","https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fissues\u002F64",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},38181,"如何调整 Agent 采样数据的行数以避免 Token 超限或遗漏数据不一致性？","可以通过 `n_samples` 参数控制数据科学 Agent 采样的数据行数。默认可能只采样前 100 行，若数据量大或需要更多上下文，可调整此参数。\n示例代码：\n```python\nmake_data_cleaning_agent(\n    model, \n    n_samples=30,  # 根据需要调整行数，宽表建议减小此值以防 Token 超限\n    log=False, \n    log_path=None, \n    file_name=\"data_cleaner.py\",\n    overwrite=True, \n    human_in_the_loop=False, \n    bypass_recommended_steps=False, \n    bypass_explain_code=False\n)\n```\n注意：如果数据列数很多（宽表），增大 `n_samples` 会快速消耗 Token，导致错误，此时应适当减小该值。","https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fissues\u002F6",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},38182,"首次使用时遇到 'AttributeError' 或方法加载失败的问题是什么原因？","这通常是本地环境配置问题，特别是依赖库版本冲突或缺失。\n常见原因及解决：\n1. 确认 `sweetviz`、`numpy` 等核心库已在当前激活的虚拟环境中安装。\n2. 检查是否有版本冲突（例如 numpy 和 sweetviz 之间），尝试更新相关库：`pip install --upgrade sweetviz numpy`。\n3. 某些情况下可能需要额外安装 `ipython`。\n如果更新后仍报错“无法打开报告文件”，请再次确认环境是否正确激活。","https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fissues\u002F47",{"id":147,"question_zh":148,"answer_zh":149,"source_url":140},38183,"如何处理包含文本装饰或多行内容的复杂表格数据？","针对表格中包含文本装饰或多行内容导致的数据不一致问题，目前的解决方案是结合调整采样数量和数据预处理步骤。\n1. 使用 `n_samples` 参数增加采样行数，以便 Agent 能检测到更多潜在的数据异常（详见 Agent 初始化参数）。\n2. 对于特别复杂的表格，建议在传入 Agent 之前先进行初步清洗，或使用自定义的数据加载逻辑处理多行单元格。\n维护者表示正在持续改进对此类情况的支持，如有特定案例可提交新的 Issue。",[151,156,161,166,171,176,181,186,191,196,201,206,211,216,221,226],{"id":152,"version":153,"summary_zh":154,"released_at":155},306296,"0.0.0.9017","# ai-data-science-team v0.0.0.9017\n\n**发布于2025年12月20日**\n\n本次发布推出了旗舰应用 **AI Pipeline Studio**，并在智能体能力、安全性、多智能体协作以及工作流规划方面实现了重大突破。我们还完成了向 LangChain 1.0+ 以消息为中心的 API 的迁移，新增了沙箱代码执行功能以确保安全，并引入了一支由主管领导的数据科学团队。\n\n### 🚀 新特性\n\n![image](https:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002Ff5bdf082-d789-4cb3-81dc-5883375777fb)\n\n- **AI Pipeline Studio（旗舰应用）**  \n  一款基于 Streamlit 的可视化、以管道为核心的工具，用于构建可复现的数据科学工作流。  \n  - 带有 lineage 追踪的可视化编辑器  \n  - 提供表格、图表、EDA、代码、模型、预测及 MLflow 视图  \n  - 支持多数据集处理与合并  \n  - 支持项目保存与加载（仅元数据模式或全量数据模式）  \n  - 启动命令：`streamlit run apps\u002Fai-pipeline-studio-app\u002Fapp.py`\n\n- **主管领导的数据科学团队**  \n  引入全新的多智能体工作流，由主管负责在各专业智能体之间分配任务，实现端到端的数据科学流程。\n\n- **工作流规划智能体**  \n  能够生成结构化、有序的工作计划，并明确前置条件及缺失信息的相关问题（如目标变量）。\n\n- **模型评估智能体**  \n  对 H2O 模型进行确定性留出法评估，提供标准化指标、混淆矩阵、ROC 曲线和残差图等分析结果。\n\n- **沙箱代码执行**  \n  所有生成的代码现在均在隔离的子进程中运行，禁用危险的导入、网络访问，并支持配置超时时间和内存限制。\n\n- **Python 3.13 支持**  \n  该包现已正式支持 Python 3.13。\n\n### 🔧 改进与修复\n\n- **LangChain 1.0.0 兼容性**  \n  对所有智能体进行了全面重构，采用以消息为中心的 API，从而更好地支持多智能体协作和主管机制的集成。\n\n- **安全修复**  \n  - 修复了 `load_pickle` 操作中的潜在漏洞 (#64)  \n  - 修复了部分工作流中“人工介入”错误的问题 (#53)\n\n- **智能体升级**  \n  - 数据清洗、数据整理、可视化、特征工程和 SQL 智能体：升级为对话式\u002F以消息为中心的接口  \n  - H2O 机器学习智能体：提升了可靠性并增强了与 MLflow 的集成  \n  - EDA 工具智能体：优化了报告功能  \n  - 数据加载工具智能体：新增对话式界面并改进了文件处理能力  \n  - MLflow 工具智能体：扩展了功能范围\n\n- **主题与 UI 更新**  \n  更新了 Streamlit 配置，优化了深色模式的主题效果。\n\n- **文档与示例**  \n  - 对 README 进行了重大改版，结构更清晰，并添加了应用截图  \n  - 更新了所有智能体的示例，以反映新的以消息为中心的使用方式  \n  - 新增了规划文档和软件包评审说明\n\n### 📦 软件包\n\n- 版本号提升至 `0.0.0.9017`  \n- 目前仍处于 Beta 阶段——在 v0.1.0 发布之前，可能会出现破坏性变更。\n\n**安装最新版本：**\n```bash\npip install ai-data-science-team --upgrade\n```","2025-12-20T20:13:42",{"id":157,"version":158,"summary_zh":159,"released_at":160},306297,"0.0.0.9016","## 功能增强\n\n- 探索性数据分析代理：新增 `dtale` 工具集成\n- 探索性数据分析协作应用：新增 `dtale` 工具集成\n\n![image](https:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002Ffe9fc62b-5c36-403f-99b8-4051645f5933)\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fcompare\u002F0.0.0.9015...0.0.0.9016","2025-04-03T14:57:33",{"id":162,"version":163,"summary_zh":164,"released_at":165},306298,"0.0.0.9015","## 新应用\n\n- [Open Pandas AI 数据分析师应用](https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Ftree\u002Fmaster\u002Fapps\u002Fpandas-data-analyst-app)：该应用程序允许您上传 Excel 或 CSV 文件，并使用 AI 代理进行数据分析和数据可视化，帮助您解读数据并获得洞察。\n\n![图片](https:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002F23e1c6ea-e986-424e-bc68-a4037615deae)\n\n\n**完整更新日志**：https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fcompare\u002F0.0.0.9014...0.0.0.9015","2025-03-08T16:04:22",{"id":167,"version":168,"summary_zh":169,"released_at":170},306299,"0.0.0.9014","# 新增多智能体\n\n- `PandasDataAnalyst()`: 将 Pandas 数据清洗代理和 Plotly 数据可视化代理整合在一起，使数据分析和数据可视化可以在一个代理中完成。\n- `SQLDataAnalyst()`: 包含一个预处理器，帮助规划步骤，并提升 SQLDatabaseAgent 和 DataVisualizationAgent 的性能。\n\n# 改进\n\n- 现在所有代理都直接在 ai_data_science_team 的顶层导入。用户现在可以直接使用 `from ai_data_science_team import SQLDatabaseAgent`。\n- 代理现在支持 LangGraph 的 `checkpointer`，用于状态存储。\n- 代理现在具有 `name` 属性。\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fcompare\u002F0.0.0.9013...0.0.0.9014","2025-02-23T00:40:13",{"id":172,"version":173,"summary_zh":174,"released_at":175},306300,"0.0.0.9013","## 新应用\n\n- **探索性数据分析助手**：该应用使用 `EDAToolsAgent()` 帮助用户生成 EDA 报告、相关性分析、缺失值分析以及一般的探索性分析。[查看应用](https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Ftree\u002Fmaster\u002Fapps\u002Fexploratory-copilot-app)\n\n## 功能增强\n\n- `EDAToolsAgent()`：新增工具 `explain_data`，可返回包含统计摘要及探索性数据分析中常见各类分析的人类可读数据报告。\n- **工具调用代理现在会返回包含 `tool_calls` 列表的状态图。** 此更改有助于开发者确定最后调用了哪个工具，并据此处理生成的工件。这一变化影响 `EDAToolsAgent()`、`DataLoaderToolsAgent()` 和 `MLflowToolsAgent()`。\n\n## 重大变更\n\n- `EDAToolsAgent()`：\n    - 工具工件字典的键已更新。详情请参阅下方完整变更日志。\n    - Sweetviz 报告不会自动打开，除非用户明确指定。\n    - Sweetviz 报告将保存在临时目录中。\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fcompare\u002F0.0.0.9012...0.0.0.9013","2025-02-13T16:26:49",{"id":177,"version":178,"summary_zh":179,"released_at":180},306301,"0.0.0.9012","## 新代理\n\n- **EDA 工具代理**：通过 EDA 报告、缺失值分析、相关性分析等功能，执行自动化的探索性数据分析（EDA）。[查看示例](https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fblob\u002Fmaster\u002Fexamples\u002Fds_agents\u002Feda_tools_agent.ipynb)\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fcompare\u002F0.0.0.9011...0.0.0.9012","2025-02-04T21:25:50",{"id":182,"version":183,"summary_zh":184,"released_at":185},306302,"0.0.0.9011","## 新增智能体\n\n- **数据加载工具智能体**：可从多种数据源加载数据，包括 CSV、Excel、Parquet 和 Pickle 文件。[查看示例](https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fblob\u002Fmaster\u002Fexamples\u002Fdata_loader_tools_agent.ipynb)\n\n**完整更新日志**：https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fcompare\u002F0.0.0.9010...0.0.0.9011","2025-01-31T13:44:48",{"id":187,"version":188,"summary_zh":189,"released_at":190},306303,"0.0.0.9010","## 新增智能体\n\n- **MLflowToolsAgent**: 该智能体配备11余种工具，用于管理机器学习模型、ML项目，并借助MLflow进行生产环境下的机器学习预测。\n- **新示例**：MLflow智能体 [查看示例](https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fblob\u002Fmaster\u002Fexamples\u002Fml_agents\u002Fmlflow_tools_agent.ipynb)\n\n## 新增AI应用\n\n- **创建`app\u002F`目录**：用于存放展示AI数据科学团队使用方法的AI应用。\n- **SQL数据库智能体应用**：可连接任意SQL数据库，根据自然语言生成SQL查询，并将结果以可下载表格的形式返回。[查看应用](https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Ftree\u002Fmaster\u002Fapps\u002Fsql-database-agent-app)\n\n## 内部变更\n\n- 重构了工具库、解析器和工具模块，使各功能角色更加清晰。\n- 异步更新。\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fcompare\u002F0.0.0.9009...0.0.0.9010","2025-01-28T01:17:36",{"id":192,"version":193,"summary_zh":194,"released_at":195},306304,"0.0.0.9009","# 新增智能体：\n\n- **H2OMLAgent()：** 这是系列机器学习智能体中的第一个，旨在利用人工智能构建机器学习模型。该智能体经过 `h2o` AutoML 的训练，能够在几秒钟内创建数百个机器学习模型。\n- **新示例：** https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fblob\u002Fmaster\u002Fexamples\u002Fml_agents\u002Fh2o_machine_learning_agent.ipynb\n\n# 改进内容\n\n- **工作流摘要报告：** 解释代码步骤已被一个更快速的步骤取代，用于记录智能体工作流。`get_workflow_summary()` 方法会返回格式化的摘要报告，展示智能体工作流中每一步的操作。\n- **智能模式修剪：** SQL 数据库智能体新增了一个参数 `smart_schema_pruning`，它会通过额外的大语言模型调用来修剪表和列。这在数据库模式非常庞大时尤为有用。修剪策略基于 Uber QueryGPT 博客文章，其中实现了一种列修剪智能体。更多信息请参阅：https:\u002F\u002Fwww.uber.com\u002Fblog\u002Fquery-gpt\u002F\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fcompare\u002F0.0.0.9008...0.0.0.9009","2025-01-18T01:03:11",{"id":197,"version":198,"summary_zh":199,"released_at":200},306305,"0.0.0.9008","## 新特性\n\n1. **新的面向对象编程框架（实验性）：** OOP 框架为智能体提供了 Python 风格的接口、改进的方法，以及超越 LangGraph 方法的更多功能。新增的类包括 DataCleaningAgent()、FeatureEngineeringAgent()、SQLDatabaseAgent() 等。\n2. **多智能体支持：** 新增了多智能体模块，支持常见的 LangGraph 多智能体架构，这将成为未来的重要发展方向。\n3. **新的 SQL 数据分析师多智能体：** 将 SQLDatabaseAgent 和 DataVisualizationAgent() 组合在一个多智能体工作流中，并通过条件路由切换到数据可视化智能体。非常适合商业智能和数据分析应用场景。\n\n## 新示例\n\n1. 如何构建 SQL 数据分析智能体：https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fblob\u002Fmaster\u002Fexamples\u002Fmultiagents\u002Fsql_data_analyst.ipynb\n2. 人机协作流程（新工作流）：https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fblob\u002Fmaster\u002Fexamples\u002Fadvanced_topics\u002Fhuman_in_the_loop.ipynb\n\n## 功能增强\n\n- **新增 BaseAgent() 类：** 用于使所有 OOP 智能体都能使用通用方法。\n- **新增人机协作工作流：** 允许在应用中引入人工审核和修改环节，非常适合迭代式地优化 AI 功能。\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fcompare\u002F0.0.0.9007...0.0.0.9008","2025-01-13T02:11:50",{"id":202,"version":203,"summary_zh":204,"released_at":205},306306,"0.0.0.9007","## New Agent:\r\n\r\n- Data Visualization Agent: Generates code for data visualizations\r\n- New Example: Automate Data Visualization with AI Agents https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fblob\u002Fmaster\u002Fexamples\u002Fdata_visualization_agent.ipynb\r\n\r\n## Agent Enhancements:\r\n\r\n- Add `n_samples` to allow users to control the number of data rows passed to LLM prompts. \r\n- Add `file_name` to allow users to control the file name that the agent uses when logging functions.\r\n- `plotly_from_dict()` helper utility to convert a dictionary to a plotly graph. \r\n\r\n## Fixes:\r\n\r\n- Bypass steps - Adds all_datasets_summary_str to allow LLM to know the dataset summary if the recommendation step is bypassed.\r\n- Improved `get_database_metadata()` for SQL engine. \r\n\r\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fcompare\u002F0.0.0.9005...0.0.0.9007","2025-01-08T19:07:22",{"id":207,"version":208,"summary_zh":209,"released_at":210},306307,"0.0.0.9005","## New Agents\r\n\r\n- **SQL Database Agent:** Queries SQL databases from Natural Language, automates pipelines as import-ready python functions, and makes it easy to integrate SQL agents into Streamlit apps\r\n- **New Tutorial:** https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fblob\u002Fmaster\u002Fexamples\u002Fsql_database_agent.ipynb\r\n\r\n## Enhancements\r\n\r\n- **Dynamically Bypass Long-Running Steps:** This is important if speed is critical. Planning steps (e.g. recommend steps for coding agent, explaining code step) can be bypassed to reduce LLM calls and speed up operations.\r\n\r\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fcompare\u002F0.0.0.9004...0.0.0.9005","2024-12-31T16:43:38",{"id":212,"version":213,"summary_zh":214,"released_at":215},306308,"0.0.0.9004","## New Agent:\r\n- Data Wrangling Agent - Handles multiple datasets, merges, joins, and prepares data for analysis\r\n- New Example: [How to automate data wrangling with AI](https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fblob\u002Fmaster\u002Fexamples\u002Fdata_wrangling_agent.ipynb)\r\n\r\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fcompare\u002F0.0.0.9003...0.0.0.9004","2024-12-25T16:35:23",{"id":217,"version":218,"summary_zh":219,"released_at":220},306309,"0.0.0.9003","## Major Changes:\r\n\r\n- Agents now have human-in-the-loop capabilities\r\n- New Example: Human-in-the-loop\r\n\r\n## Minor Change:\r\n\r\n- Refactor codebase to use agent templates\r\n\r\n**Full Changelog**: https:\u002F\u002Fgithub.com\u002Fbusiness-science\u002Fai-data-science-team\u002Fcompare\u002F0.0.0.9002...0.0.0.9003","2024-12-20T02:46:29",{"id":222,"version":223,"summary_zh":224,"released_at":225},306310,"0.0.0.9002","Added a Feature Engineering Agent","2024-12-16T20:45:33",{"id":227,"version":228,"summary_zh":229,"released_at":230},306311,"0.0.0.9000","Initial release:\r\n\r\n- Data Cleaning Agent","2024-12-13T20:13:51"]