多智能体 PostgreSQL 数据分析

我们与数据互动的方式正在发生变化。

💬 请先阅读此说明 💬

本仓库是一个用于构建多智能体系统的 实验 和 学习工具。

它是迈向完全自主、智能体化软件 的 许多步骤中的一个。

它 不是 框架、库或捷径。

它是帮助你内化概念、模式和构建模块的 垫脚石，以便你能够构建自己的多智能体系统和应用。

代码只能在某一时刻讲述一个故事。我强烈建议你观看 视频系列，以了解这个实验性代码库结构背后的 如何以及为什么。

在该系列中，我们将从零开始构建，并深入探讨围绕多智能体软件的复杂性、原则、模式和理念。视频顺序如下，分支对应于各个视频。

本仓库不会在视频系列结束后继续维护或更新。它只是我们在视频系列中构建的代码的一个时间点快照，仅供你在构建自己的多智能体系统的过程中参考，仅此而已。

当我们完成整个系列时，将冻结代码库。之后我们会将其作为实验、产品和视频的参考。

💻 多智能体 PostgreSQL 数据分析工具 💻

这是一个多智能体系统，允许你用自然语言提问关于你的 PostgreSQL 数据库的问题。

该代码库由 GPT-4、Assistance API、AutoGen、PostgreSQL 和 Guidance 提供支持。

这是众多利用 LLM（大型语言模型）实现推理和决策的多智能体应用中的第一个，从而减少了对显式规则或逻辑的依赖。

💻 设置 💻

• 请先阅读代码库。请记住，这只是一个实验和学习工具，而不是框架或库。
• 运行 git branch -a 查看所有分支。每个分支都对应视频系列中的一个视频。
  • 使用 git checkout <branch-name> 切换到你想查看的分支。
• poetry install
• cp .env.sample .env
• 填写 .env 文件，填入你的 PostgreSQL URL 和 OpenAI API 密钥。
• 对你的数据库运行一个提示：
  • poetry run start --prompt "<向你的智能体提问关于你的 PostgreSQL 数据库的问题>"
    • 可以先从简单的问题开始，熟悉一下，然后再逐步尝试更复杂的问题。

🛠️ 核心技术栈 🛠️

• OpenAI - GPT-4、GPT-4 Turbo、Assistance API
• AutoGen - 多智能体框架
• PostgreSQL - 数据库
• Guidance - 结构化 LLM 回答
• Aider - AI 配对编程
• Poetry - 包管理器
• Python ^3.10 - 编程语言

🔵 多智能体模式与术语 🔵

在整个代码库中，我们构建了多种现有及新出现的模式和术语，你可能已经以某种形式见过它们。以下是其中最重要的几个概述：

• 智能体 - 智能体是一种由 LLM 驱动的工具，具有单一目的，可以被赋予特定的功能和/或提示。
• 多智能体团队 - 由多个智能体组成的集合，它们通过消息交换共同协作以达成目标。
• 对话 - 多智能体团队之间消息的交换。
• 对话流程 - 智能体之间的沟通方式。智能体之间的沟通方式会彻底改变应用程序的工作方式。对话流程决定了哪个智能体发言、发言顺序、与谁交流以及说什么。
• 编排者 - 管理单个智能体团队、他们的对话及其输出。编排者包含不同类型的对话流程。
• 工具箱 - 工具箱是智能体可以使用的工具。可以把它想象成一个前端商店。它包含了状态和函数，智能体和编排者都可以在应用程序的生命周期内使用。虽然通常只有智能体会更新状态，但智能体和编排者都可以消费和操作工具箱的状态。
• 决策智能体 - 能够给出具体决策的智能体，这些决策可以决定应用程序的流程。要构建复杂的智能体系统，智能体需要具备做出具体决策的能力，从而驱动应用程序的流程。
• 结构化与非结构化智能体 - 结构化智能体是指那些返回结构化数据的智能体。非结构化智能体则是指返回非结构化数据的智能体。通常情况下，决策智能体属于结构化智能体。

📺 视频系列 - 通过观看学习 📺

第1部分 - 整个代码库的提示工程：PostgreSQL 数据分析 AI 智能体

分支：v1-prompt-engineering-an-entire-codebase

视频：https://youtu.be/jmDMusirPKA

第2部分 - 一个提示并不足够：使用 AutoGen 构建多智能体 PostgreSQL AI 工具

分支：v2-using-autogen-to-build-our-multi-agent-tool

视频：https://youtu.be/JjVvYDPVrAQ

第3部分 - 让 AutoGen 更加一致：控制你的 LLM 智能体，实现精准的 PostgreSQL AI 数据分析

分支：v3-make-autogen-consistent-control-your-llm

视频：https://youtu.be/4o8tymMQ5GM

第4部分 - AutoGen 令牌策略：解雇 AI 智能体、无用的向量嵌入、GPT-4 的内存技巧

分支：v4-autogen-token-tactics-firing-ai-agents

视频：https://youtu.be/CKo-czvxFkY

第5部分 - AutoGen 间谍软件：用于成功 AI 代理的编码系统（Postgres 数据分析）

分支：v5-autogen-spyware-coding-systems-for-successful-ai

视频：https://youtu.be/UA6IVMDPuC8

第6部分 - 使用 AUTOGEN 和 GUIDANCE 编码 LLM 控制流与 JSON 代理（无需提示工程）

分支：v6-control-flow-and-structured-response

视频：https://youtu.be/XGCWyfA3rgQ

第7部分 - OpenAI 宏观与微观策略：掌握助手 API、线程、消息和运行

分支：v7-turbo4-assistants-threads-messages

视频：https://youtu.be/KwcrjP3vuy0

第8部分 - Copilot 提示工程：3个 UI 框架、2个 AI 代理、1个编码助手（AIDER CCC）

分支：v8-ccc-ai-engineering-with-aider

视频：https://youtu.be/7EA19-D4-Zo

第9部分 - 您的 AI 代理可以自我纠正：使用助手 API 自动修复 SQL 数据库错误

分支：v9-self-correcting-assistant

视频：https://youtu.be/Uf7cYAXe3eI

第10部分 - 与您的数据库对话——一个 GPT 多代理 Postgres 数据分析工具

分支：v10-talk-to-your-database-beta-launch

视频：https://youtu.be/5wROK4lBoeo

与您的数据库对话：https://talktoyourdb.com

独家测试版启动代码：9999

---

🧠 整个系列的主要收获 🧠

💡 为什么多代理应用很重要？

• 它们之所以重要，是因为它们使我们能够创建更精确的世界模型。
• 我们成为协调者，从而减少工程层面的工作，更多地专注于产品层面。
• 它们以一种前所未有的方式实现了类人化的推理和决策能力。
• 我们可以构建出在与我们协同工作时，能像人类一样做出决策的系统。
• 我们可以解决那些以前需要专门招聘人员或整个团队才能解决的问题。

✅ 多代理系统的优点

• 可以为特定的代理分配功能和提示，实现专业化，从而获得更好的结果。
• 代理可以反思结果并提供反馈，进而改进结果。
• 可以模拟真实的组织结构，无论是现有的还是新的。
• 生态系统正在迅速发展。每天都有新的工具和框架被开发出来。
• 上行潜力极其巨大。我们谈论的是非对称的投资回报率、最大的杠杆效应以及超线性增长的收益。拥有的自主性构建模块越多，你的工程和产品潜力就越强大。
• 多代理工程可能是目前软件领域最重要的发展方向（2023-2024年）。
• 实现自主性软件的道路已经清晰：先解决小问题，创建可重用的构建模块，然后将它们组合起来解决更大的问题。
• GPT-4毫无疑问可以支持多代理系统。它是遥遥领先的最佳模型，能够轻松提供令人惊叹的推理能力，触手可及。

❌ 多代理系统的缺点

• 正确设定代理的角色和功能是一门艺术。你需要多少个代理？它们分别做什么？你如何确定？
• 测试成本可能很高，并且会随着代理数量的增加而上升。代理越多，每次查询的成本就越高。
• 由于大语言模型的非确定性，调试多代理系统为何未能按预期运行可能会非常困难。
• 内存管理是一个重大问题。上下文窗口迫使开发者编写许多复杂而精巧的代码来管理内存。
• AI 代理生态系统中充斥着过多的噪音和炒作。很多内容只是吸引眼球的噱头，缺乏实际价值。很难找到优质资源。
• 公开构建多代理系统的工程师非常少。大多数案例都只是玩具级别的示例，或者直接从示例代码库中照搬。
• OpenAI每次发布新版本都会无意中打击初创企业。致力于构建基于大语言模型的应用程序存在风险。
• 以当前的价格，我们无法在GPT-4上运行一个完全自主的系统，即使只运行一小时也会每天烧掉数千美元。价格必须下降，同时不能牺牲质量（这里指的是开源模型）。
• 很难判断何时应该编写明确的代码、进行提示工程，还是构建一个多代理团队。这是一项需要时间才能掌握的新技能。

🧠 2024年多代理/LLM/自主性预测 🧠

• 2024年预测视频（推荐）
• 2024年预测博客文章
• 2024年预测幻灯片

Multi-Agent Postgres 数据分析工具快速上手指南

本指南旨在帮助开发者快速部署并体验基于多智能体（Multi-Agent）架构的 Postgres 数据库自然语言查询工具。

注意：本项目是一个实验性学习工具，旨在展示多智能体系统的构建概念与模式，而非一个成熟的生产级框架或库。建议结合配套的 视频系列 深入理解其设计思路。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows (WSL2 推荐)
• Python 版本：Python 3.10 或更高版本
• 包管理器：已安装 Poetry
• 数据库：可访问的 PostgreSQL 数据库实例
• API 密钥：有效的 OpenAI API Key (需支持 GPT-4 或 Assistance API)

安装步骤

1. 克隆代码库

首先将项目克隆到本地：

git clone https://github.com/disler/multi-agent-postgres-data-analytics.git
cd multi-agent-postgres-data-analytics

2. 选择分支（可选）

该项目每个分支对应视频教程的一个阶段。您可以查看所有分支并切换到特定版本进行学习：

# 查看所有分支
git branch -a

# 切换到指定分支 (例如 v10 最终版)
git checkout v10-talk-to-your-database-beta-launch

如果不切换，默认使用当前主分支代码。

3. 安装依赖

使用 Poetry 安装项目所需依赖：

poetry install

(国内用户若遇到下载慢的问题，可尝试配置 Poetry 使用国内源，或在 pyproject.toml 中调整源设置)

4. 配置环境变量

复制示例配置文件并填入您的凭证：

cp .env.sample .env

编辑 .env 文件，填入以下关键信息：

• OPENAI_API_KEY: 您的 OpenAI API 密钥
• DATABASE_URL: 您的 PostgreSQL 连接字符串 (格式如: postgresql://user:password@host:port/dbname)

基本使用

配置完成后，您可以通过命令行直接向数据库提问。系统会自动调度多个 AI 智能体来解析意图、生成 SQL 并返回结果。

运行示例

执行以下命令启动智能体并进行查询：

poetry run start --prompt "查询数据库中用户数量最多的前 5 个城市"

使用建议：

1. 由简入繁：初次使用时，建议先提出简单的统计问题（如“总共有多少张表？”、“某列的平均值是多少？”），以熟悉系统的响应模式。
2. 自然语言：直接使用日常语言描述需求，无需编写 SQL。
3. 观察过程：系统将展示多智能体之间的协作过程（包括思考、生成 SQL、执行纠错等步骤）。

---

提示：本项目的核心价值在于理解多智能体协作模式（如 Orchestrator, Decision Agents, Instruments 等概念），鼓励开发者阅读源码并结合视频教程进行二次开发。