feat: 四层架构数据分析 Agent

- Layer 1 Planner: 意图规划，将问题转为结构化分析计划
- Layer 2 Explorer: 自适应探索循环，多轮迭代动态生成 SQL
- Layer 3 InsightEngine: 异常检测 + 主动洞察
- Layer 4 ContextManager: 多轮对话上下文记忆

安全设计：AI 只看 Schema + 聚合结果，不接触原始数据。
支持任意 OpenAI 兼容 API（OpenAI / Ollama / DeepSeek / vLLM）

planner.py

@@ -0,0 +1,129 @@
+"""
+Layer 1: 意图规划器
+将用户问题解析为结构化的分析计划，替代硬编码模板。
+"""
+import json
+import re
+from typing import Any
+
+PROMPT = """你是一个数据分析规划专家。
+
+## 你的任务
+根据用户的分析问题和数据库 Schema，生成一个结构化的分析计划。
+
+## 输出格式（严格 JSON）
+```json
+{
+  "intent": "一句话描述用户想了解什么",
+  "analysis_type": "ranking" | "distribution" | "trend" | "comparison" | "anomaly" | "overview",
+  "primary_table": "主要分析的表名",
+  "dimensions": ["分组维度列名"],
+  "metrics": ["需要聚合的数值列名"],
+  "aggregations": ["SUM", "AVG", "COUNT", ...],
+  "filters": [{"column": "列名", "condition": "过滤条件（可选）"}],
+  "join_needed": false,
+  "join_info": {"tables": [], "on": ""},
+  "expected_rounds": 3,
+  "rationale": "为什么这样规划，需要关注什么"
+}
+```
+
+## 分析类型说明
+- ranking: 按某维度排名（哪个地区最高）
+- distribution: 分布/占比（各地区占比多少）
+- trend: 时间趋势（月度变化）
+- comparison: 对比分析（A vs B）
+- anomaly: 异常检测（有没有异常值）
+- overview: 全局概览（整体情况如何）
+
+## 规划原则
+1. 只选择与问题相关的表和列
+2. 如果需要 JOIN，说明关联条件
+3. 预估需要几轮探索（1-6）
+4. 标注可能的异常关注点
+5. metrics 不要包含 id 列"""
+
+import openai
+from config import LLM_CONFIG
+
+
+class Planner:
+    """意图规划器：将自然语言问题转为结构化分析计划"""
+
+    def __init__(self):
+        self.client = openai.OpenAI(
+            api_key=LLM_CONFIG["api_key"],
+            base_url=LLM_CONFIG["base_url"],
+        )
+        self.model = LLM_CONFIG["model"]
+
+    def plan(self, question: str, schema_text: str) -> dict[str, Any]:
+        """
+        生成分析计划
+
+        Returns:
+            {
+                "intent": str,
+                "analysis_type": str,
+                "primary_table": str,
+                "dimensions": [str],
+                "metrics": [str],
+                "aggregations": [str],
+                "filters": [dict],
+                "join_needed": bool,
+                "join_info": dict,
+                "expected_rounds": int,
+                "rationale": str,
+            }
+        """
+        response = self.client.chat.completions.create(
+            model=self.model,
+            messages=[
+                {"role": "system", "content": PROMPT},
+                {
+                    "role": "user",
+                    "content": (
+                        f"## Schema\n{schema_text}\n\n"
+                        f"## 用户问题\n{question}"
+                    ),
+                },
+            ],
+            temperature=0.1,
+            max_tokens=1024,
+        )
+
+        content = response.choices[0].message.content.strip()
+        plan = self._extract_json(content)
+
+        # 补充默认值
+        plan.setdefault("analysis_type", "overview")
+        plan.setdefault("expected_rounds", 3)
+        plan.setdefault("filters", [])
+        plan.setdefault("join_needed", False)
+
+        return plan
+
+    def _extract_json(self, text: str) -> dict:
+        """从 LLM 输出提取 JSON"""
+        try:
+            return json.loads(text)
+        except json.JSONDecodeError:
+            pass
+
+        for pattern in [r'```json\s*\n(.*?)\n```', r'```\s*\n(.*?)\n```']:
+            match = re.search(pattern, text, re.DOTALL)
+            if match:
+                try:
+                    return json.loads(match.group(1))
+                except json.JSONDecodeError:
+                    continue
+
+        # 找最外层 {}
+        match = re.search(r'\{[^{}]*(?:\{[^{}]*\}[^{}]*)*\}', text, re.DOTALL)
+        if match:
+            try:
+                return json.loads(match.group())
+            except json.JSONDecodeError:
+                pass
+
+        return {"intent": text[:100], "analysis_type": "overview"}