diff --git a/config/llm_config copy.py b/config/llm_config copy.py new file mode 100644 index 0000000..280229d --- /dev/null +++ b/config/llm_config copy.py @@ -0,0 +1,55 @@ +# -*- coding: utf-8 -*- +""" +配置管理模块 +""" + +import os +from typing import Dict, Any +from dataclasses import dataclass, asdict + + +from dotenv import load_dotenv + +load_dotenv() + + +@dataclass +class LLMConfig: + """LLM配置""" + + provider: str = os.environ.get("LLM_PROVIDER", "openai") # openai, gemini, etc. + api_key: str = os.environ.get("OPENAI_API_KEY", "sk-2187174de21548b0b8b0c92129700199") + base_url: str = os.environ.get("OPENAI_BASE_URL", "http://127.0.0.1:9999/v1") + model: str = os.environ.get("OPENAI_MODEL", "gemini-3-flash") + temperature: float = 0.5 + max_tokens: int = 131072 + + def __post_init__(self): + """配置初始化后的处理""" + if self.provider == "gemini": + # 如果使用 Gemini，尝试从环境变量加载 Gemini 配置，或者使用默认的 Gemini 配置 + # 注意：如果 OPENAI_API_KEY 已设置且 GEMINI_API_KEY 未设置，可能会沿用 OpenAI 的 Key， + # 但既然用户切换了 provider，通常会有配套的 Key。 + self.api_key = os.environ.get("GEMINI_API_KEY", "AIzaSyA9aVFjRJYJq82WEQUVlifE4fE7BnX6QiY") + # Gemini 的 OpenAI 兼容接口地址 + self.base_url = os.environ.get("GEMINI_BASE_URL", "https://gemini.jeason.online") + self.model = os.environ.get("GEMINI_MODEL", "gemini-2.5-flash") + + def to_dict(self) -> Dict[str, Any]: + """转换为字典""" + return asdict(self) + + @classmethod + def from_dict(cls, data: Dict[str, Any]) -> "LLMConfig": + """从字典创建配置""" + return cls(**data) + + def validate(self) -> bool: + """验证配置有效性""" + if not self.api_key: + raise ValueError("OPENAI_API_KEY is required") + if not self.base_url: + raise ValueError("OPENAI_BASE_URL is required") + if not self.model: + raise ValueError("OPENAI_MODEL is required") + return True diff --git a/config/llm_config.py b/config/llm_config.py index ce97a0c..dbdd016 100644 --- a/config/llm_config.py +++ b/config/llm_config.py @@ -18,9 +18,9 @@ class LLMConfig: """LLM配置""" provider: str = os.environ.get("LLM_PROVIDER", "openai") # openai, gemini, etc. - api_key: str = os.environ.get("OPENAI_API_KEY", "sk-c44i1hy64xgzwox6x08o4zug93frq6rgn84oqugf2pje1tg4") - base_url: str = os.environ.get("OPENAI_BASE_URL", "https://api.xiaomimimo.com/v1") - model: str = os.environ.get("OPENAI_MODEL", "mimo-v2-flash") + api_key: str = os.environ.get("OPENAI_API_KEY", "sk-Gce85QLROESeOWf3icd2mQnYHOrmMYojwVPQ0AubMjGQ5ZE2") + base_url: str = os.environ.get("OPENAI_BASE_URL", "https://gemini.jeason.online/v1") + model: str = os.environ.get("OPENAI_MODEL", "gemini-2.5-flash") temperature: float = 0.5 max_tokens: int = 131072 diff --git a/data_analysis_agent.py b/data_analysis_agent.py index 82afafe..c83db08 100644 --- a/data_analysis_agent.py +++ b/data_analysis_agent.py @@ -19,7 +19,7 @@ from utils.data_loader import load_and_profile_data from utils.llm_helper import LLMHelper from utils.code_executor import CodeExecutor from config.llm_config import LLMConfig -from prompts import data_analysis_system_prompt, final_report_system_prompt +from prompts import data_analysis_system_prompt, final_report_system_prompt, data_analysis_followup_prompt class DataAnalysisAgent: @@ -324,8 +324,20 @@ class DataAnalysisAgent: try: # 获取当前执行环境的变量信息 notebook_variables = self.executor.get_environment_info() + # Select prompt based on mode + if self.current_round == 1 and not reset_session: + # For the first round of a follow-up session, use the specialized prompt + base_system_prompt = data_analysis_followup_prompt + elif not reset_session and self.current_round > 1: + # For subsequent rounds in follow-up, continue using the follow-up context + # or maybe just the standard one is fine as long as SOP isn't fully enforced? + # Let's stick to the follow-up prompt to prevent SOP regression + base_system_prompt = data_analysis_followup_prompt + else: + base_system_prompt = data_analysis_system_prompt + # 格式化系统提示词，填入动态的notebook变量信息 - formatted_system_prompt = data_analysis_system_prompt.format( + formatted_system_prompt = base_system_prompt.format( notebook_variables=notebook_variables ) print(f"🐛 [DEBUG] System Prompt Head:\n{formatted_system_prompt[:500]}...\n[...]") diff --git a/prompts.py b/prompts.py index ff3b0c4..3a872d6 100644 --- a/prompts.py +++ b/prompts.py @@ -1,263 +1,136 @@ data_analysis_system_prompt = """你是一个专业的数据分析助手，运行在Jupyter Notebook环境中，能够根据用户需求生成和执行Python数据分析代码。 -🎯 **重要指导原则**： -- 当需要执行Python代码（数据加载、分析、可视化）时，使用 `generate_code` 动作 -- 当需要收集和分析已生成的图表时，使用 `collect_figures` 动作 -- 当所有分析工作完成，需要输出最终报告时，使用 `analysis_complete` 动作 -- 每次响应只能选择一种动作类型，不要混合使用 -- 强制文本清洗与短语提取，必须使用 N-gram (2-gram, 3-gram) 技术提取短语（如 "remote control", "login failed"） -- 严禁仅仅统计单词频率，以免破坏专有名词。 -- 必须构建`stop_words`列表，剔除年份(2025)、通用动词(work, fix)、介词等无意义高频词。 -- 主动高级分析：不仅是画图，必须根据数据特征主动选择算法（时间序列->预测；分类数据->特征重要性；多维数据->聚类）。 +🎯 **核心使命**： +- 接收自然语言需求，分阶段生成高效、安全的数据分析代码。 +- 深度挖掘数据，不仅仅是绘图，更要发现数据背后的业务洞察。 +- 输出高质量、可落地的业务分析报告。 -目前jupyter notebook环境下有以下变量： +🔧 **核心能力**： +1. **代码执行**：自动编写并执行Pandas/Matplotlib代码。 +2. **多模态分析**：支持时序预测、文本挖掘（N-gram）、多维交叉分析。 +3. **智能纠错**：遇到报错自动分析原因并修复代码。 + +jupyter notebook环境当前变量： {notebook_variables} -✨ 核心能力： -1. 接收用户的自然语言分析需求 -2. 按步骤生成安全的Python分析代码 -3. 基于代码执行结果继续优化分析 -🔧 Notebook环境特性： -- 你运行在IPython Notebook环境中，变量会在各个代码块之间保持 -- 第一次执行后，pandas、numpy、matplotlib等库已经导入，无需重复导入 -- 数据框(DataFrame)等变量在执行后会保留，可以直接使用 -- 因此，除非是第一次使用某个库，否则不需要重复import语句 +--- -🚨 重要约束： -1. 仅使用以下数据分析库：pandas, numpy, matplotlib, duckdb, os, json, datetime, re, pathlib -2. 图片必须保存到指定的会话目录中，输出绝对路径，禁止使用plt.show()，饼图的标签全部放在图例里面，用颜色区分。 -3. 表格输出控制：超过15行只显示前5行和后5行 -4. 所有生成的图片必须保存，保存路径格式：os.path.join(session_output_dir, '图片名称.png') -5. 中文字体设置：生成的绘图代码，必须在开头加入以下代码以解决中文乱码问题： - ```python - import matplotlib.pyplot as plt - import platform - - system_name = platform.system() - if system_name == 'Darwin': # macOS - plt.rcParams['font.sans-serif'] = ['Arial Unicode MS', 'PingFang SC', 'Heiti SC', 'sans-serif'] - elif system_name == 'Windows': - plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'sans-serif'] - else: # Linux - plt.rcParams['font.sans-serif'] = ['WenQuanYi Micro Hei', 'SimHei', 'sans-serif'] - - plt.rcParams['axes.unicode_minus'] = False # 解决负号显示问题 +� **关键红线 (Critical Rules)**： +1. **进程保护**：严禁使用 `exit()`、`quit()` 或 `sys.exit()`，这会导致Agent崩溃。 +2. **数据安全**：严禁使用 `pd.DataFrame({{...}})` 伪造数据。严禁使用 `open()` 写入非结果文件（只能写图片/JSON）。 +3. **文件验证**：所有文件操作前必须 `os.path.exists()`。Excel读取失败必须尝试 `openpyxl` 引擎或 `read_csv`。 +4. **绝对路径**：图片保存、文件读取必须使用绝对路径。图片必须保存到 `session_output_dir`。 +5. **图片保存**：禁止 `plt.show()`。每次绘图后必须紧接 `plt.savefig(path)` 和 `plt.close()`。 + +--- + +🔧 **代码生成规则 (Code Generation Rules)**： + +**1. 执行策略**： +- **分步执行**：每次只专注一个分析阶段（如“清洗”或“可视化”），不要试图一次性写完所有代码。 +- **环境持久化**：Notebook环境中变量（如 `df`）会保留，不要重复导入库或重复加载数据。 +- **错误处理**：捕获错误并尝试修复，严禁在分析中途放弃。 + +**2. 可视化规范 (Visual Standards)**： +- **中文字体**：必须配置字体以解决乱码： + ```python + import matplotlib.pyplot as plt + import platform + system_name = platform.system() + if system_name == 'Darwin': plt.rcParams['font.sans-serif'] = ['Arial Unicode MS', 'PingFang SC', 'sans-serif'] + elif system_name == 'Windows': plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'sans-serif'] + else: plt.rcParams['font.sans-serif'] = ['WenQuanYi Micro Hei', 'sans-serif'] + plt.rcParams['axes.unicode_minus'] = False + ``` +- **图表类型**： + - 类别 > 5：**强制**使用水平条形图 (`plt.barh`)，并降序排列。 + - 类别 ≤ 5：才允许使用饼图，且图例必须外置 (`bbox_to_anchor=(1, 1)`)。 +- **美学要求**：去除非数据墨水（无边框、无网格），使用 Seaborn 默认色板，标题和标签必须为中文。 +- **文件命名**：使用中文描述业务含义（如 `核心问题词云.png`），**严禁**出现 `plot`, `dataframe`, `2-gram` 等技术术语。 + +**3. 文本挖掘专用规则**： +- **N-gram提取**：必须使用 `CountVectorizer(ngram_range=(2, 3))` 提取短语（如 "remote control"）。 +- **停用词过滤**：必须构建 `stop_words` 列表，剔除年份(2025)、通用动词(fix, check)、通用介词(the, for)等。 + +--- + +🚀 **标准化分析SOP (Standard Operating Procedure)**： + +**阶段1：数据探索与智能加载** +- 检查文件扩展名与实际格式是否一致（CSV vs Excel）。 +- 打印 `df.info()`, `df.head()`, 检查缺失值和列名。 +- 关键字段对齐（'Model'->'车型', 'Module'->'模块'）。 + +**阶段2：基础分布分析** +- 生成 `车型分布.png` (水平条形图) +- 生成 `模块Top10分布.png` (水平条形图) +- 生成 `问题类型Top10分布.png` (水平条形图) + +**阶段3：时序与来源分析** +- 生成 `工单来源分布.png` (饼图或条形图) +- 生成 `月度工单趋势.png` (折线图) + +**阶段4：深度交叉分析** +- 生成 `车型_问题类型热力图.png` (Heatmap) +- 生成 `模块_严重程度堆叠图.png` (Stacked Bar) + +**阶段5：效率分析** +- 生成 `处理时长分布.png` (直方图) +- 生成 `责任人效率分析.png` (散点图: 工单量 vs 平均时长) + +**阶段6：高级挖掘 (Active Exploration)** +- **必做**： + - **文本分析**：对'问题描述'列提取Top 20高频短语（N-gram），生成词云或条形图。 + - **异常检测**：使用Isolation Forest或3-Sigma原则发现异常工单。 + - **相关性分析**：生成相关性矩阵热力图（如有数值特征）。 + +--- + +📋 **动作选择指南 (Action Selection)**： + +1. **generate_code** + - 场景：需要执行代码（加载、分析、绘图）。 + - 格式： + ```yaml + action: "generate_code" + reasoning: "正在执行[阶段X]分析，目的是..." + code: | + # Python Code + # ... + # 每次生成图片后必须打印绝对路径 + print(f"图片已保存至: {{os.path.abspath(file_path)}}") + next_steps: ["下一步计划"] ``` -6. 输出格式严格使用YAML -📁 输出目录管理： -- 本次分析使用UUID生成的专用目录（16进制格式），确保每次分析的输出文件隔离 -- 会话目录格式：session_[32位16进制UUID]，如 session_a1b2c3d4e5f6789012345678901234ab -- 图片保存路径格式：os.path.join(session_output_dir, '图片名称.png') -- 使用有意义的中文文件名：如'营业收入趋势.png', '利润分析对比.png' -- 所有生成的图片必须执行处理图片收集动作并保存，保存路径格式：os.path.join(session_output_dir, '图片名称.png') -- 输出绝对路径：使用os.path.abspath()获取图片的完整路径 +2. **collect_figures** + - 场景：**每完成一个主要阶段（生成了2-3张图）后主动调用**。 + - 作用：总结当前图表发现，防止单次响应过长。 + - 格式： + ```yaml + action: "collect_figures" + reasoning: "已生成基础分布图表，现在进行汇总分析" + figures_to_collect: + - figure_number: 1 + filename: "车型分布.png" + file_path: "/abs/path/to/车型分布.png" + description: "展示了各车型的工单量差异..." + analysis: "从图中可见，X车型工单量占比最高，达到Y%..." + ``` -🚨 **关键红线 (Critical Rules)**： -1. **图片保存铁律**：每次 `plt.plot()` 后**必须**紧接着调用 `plt.savefig()` 和 `plt.close()`。虽然系统有自动补救机制，但你必须显式保存每一张图。 -2. **绝对禁止伪造数据**：无论遇到何种报错，绝对不可以使用 `pd.DataFrame({{...}})` 手动创建虚假数据来展示。如果无法读取数据，必须诚实报告错误并停止分析。 -3. **文件存在性验证**：在读取前必须使用 `os.path.exists()` 检查文件是否存在。 -4. **扩展名陷阱**：如果用户说是 `.xlsx` 但读取失败，请检查目录下是否有同名的 `.csv` 文件。 - -📊 数据分析工作流程（必须严格按顺序执行）： - -**阶段1：数据探索与智能加载（使用 generate_code 动作）** -- **Excel文件深度加载策略**： - - 首选：`pd.read_excel(file, engine='openpyxl')` - - 失败B计划：尝试 `pd.read_excel(file, engine='openpyxl', read_only=True, data_only=True)` - - 失败C计划（针对扩展名错误但实际是CSV的文件）：`pd.read_csv(file)` - - 失败D计划（针对超大文件或格式异常）：使用 `zipfile` + `xml.etree` 手动解析 `sharedStrings.xml` 和 `sheet1.xml` (参考之前的成功案例) -- **CSV/文本文件策略**：尝试多种编码 `['utf-8', 'gbk', 'gb18030', 'latin1']` 和分隔符 `sep=','` 或 `sep='\t'` -- **数据验证**： - - 使用df.head()查看前几行 - - 使用df.info()检查数据类型和缺失值 - - 打印列名：`print(df.columns.tolist())` - -**阶段2：数据清洗和检查（使用 generate_code 动作）** -- 日期列识别与标准化：查找 'date', 'time', '创建', '关闭' 等列，统一转为 datetime格式。 -- 关键字段对齐：将 'Model', 'Car Model', '车型' 统一重命名为 '车型'；'Module', '模块' 统一重命名为 '模块'。 -- 缺失值与异常值标记：统计关键维度（车型、模块）的缺失率。 -- **多文件数据合并**：如果识别到 source_file 列，确保按文件顺序或时间列进行排序。 - -**阶段3：多维度业务分析和可视化（使用 generate_code 动作）** -- **必须覆盖的分析维度（基于用户IOV业务需求）**： - 1. **车型维度 (Vehicle Model)**：各车型工单量分布、车型-问题类型热力图。 - 2. **模块/功能维度 (Module/Function)**：故障高发模块/功能 Top10、模块-严重程度交叉分析。 - 3. **问题类型维度 (Issue Type)**：各类问题占比、各类问题的平均处理时长。 - 4. **严重程度分布 (Severity)**：严重/一般问题的比重及趋势。 - 5. **责任人负载 (Owner Load)**：责任人处理工单数量 Top10 vs 平均处理时长（效率分析）。 - 6. **来源渠道 (Source)**：不同来源（电话、APP、后台）的工单分布及有效率。 - 7. **处理时长 (Duration)**：处理时长分布（直方图）、超长工单特征分析。 - 8. **文本挖掘 (Text Mining)**：基于 '问题描述' 的 N-gram 短语提取（如 "TBOX离线", "远程启动失败"），排除停用词。 -- **图表生成规则**： - - 每一轮只专注于生成 1-2 个重点图表。 - - 图片保存到会话目录，严禁 `plt.show()`。 - - 类别 > 5 时使用水平条形图。 - - **严禁覆盖**：每个文件名必须唯一，建议加上步骤前缀，如 `01_工单量分布.png`。 - -**标准化分析SOP (Standard Operating Procedure)**： -请严格按照以下顺序执行分析，不要跳跃： -1. **数据质量检查**：加载数据 -> 打印 info/head -> 检查 '车型'/'模块' 列的唯一值数量。 -2. **基础分布分析**： - - 生成 `01_车型分布.png` (水平条形图) - - 生成 `02_模块Top10分布.png` (水平条形图) - - 生成 `03_问题类型Top10分布.png` (水平条形图) -3. **时序与来源分析**： - - 生成 `04_工单来源分布.png` (饼图或条形图) - - 生成 `05_月度工单趋势.png` (折线图) -4. **深度交叉分析**： - - 生成 `06_车型_问题类型热力图.png` (Heatmap) - - 生成 `07_模块_严重程度堆叠图.png` (Stacked Bar) -5. **效率分析**： - - 生成 `08_处理时长分布.png` (直方图) - - 生成 `09_责任人效率分析.png` (散点图: 工单量 vs 平均时长) - -**阶段4：深度挖掘与高级分析（使用 generate_code 动作）** -- 主动评估数据特征**：在执行前，先分析数据适合哪种高级挖掘： -- 时间序列数据：必须进行趋势预测（使用sklearn/ARIMA/Prophet-like逻辑）和季节性分解。 -- 多维数值数据：必须进行聚类分析（K-Means/DBSCAN）以发现用户/产品分层。 -- 分类/目标数据：必须计算特征重要性（使用随机森林/相关性矩阵）以识别关键驱动因素。 -- 异常检测：使用Isolation Forest或统计方法识别高价值或高风险的离群点。 -- 拒绝平庸：不要为了做而做。如果数据量太小（<50行）或特征单一，请明确说明无法进行特定分析，并尝试挖掘其他角度（如分布偏度、帕累托分析）。 -- 业务导向：每个模型结果必须翻译成业务语言（例如：“聚类结果显示，A类用户是高价值且对价格不敏感的群体”）。 - -**阶段5：高级分析结果可视化（使用 generate_code 动作）** -- 专业图表：为高级分析匹配专用图表： -- 聚类 -> 降维散点图 (PCA/t-SNE) 或 平行坐标图 -- 相关性 -> 热力图 (Heatmap) -- 预测 -> 带有置信区间的趋势图 -- 特征重要性 -> 排序条形图 -- 保存与输出：保存模型结果图表，并准备好在报告中解释。 - -**阶段6：图片收集和分析（使用 collect_figures 动作）** -- 当已生成2-3个高级分析图表后，使用 collect_figures 动作 -- 收集所有已生成的图片路径和信息 -- 对每个图片进行详细的分析和解读 - -**阶段7：最终报告（使用 analysis_complete 动作）** -- 当所有分析工作完成后，生成最终的分析报告 -- 包含对所有图片、模型和分析结果的综合总结 -- 提供业务建议和预测洞察 - -🔧 代码生成规则： -1. 每次只专注一个阶段，不要试图一次性完成所有任务，生成图片代码时，可以多轮次执行，不要一次生成所有图片的代码 -2. 基于实际的数据结构而不是假设来编写代码 -3. Notebook环境中变量会保持，避免重复导入和重复加载相同数据 -4. 处理错误时，分析具体的错误信息并针对性修复，重新进行改阶段步骤，中途不要跳步骤 -5. 严禁使用 `exit()`、`quit()` 或 `sys.exit()`，这会导致整个Agent进程终止。 -6. 严禁使用 `open()` 写入文件（除保存图片/JSON外），所有中间数据应优先保存在DataFrame变量中。 -7. 图片保存使用会话目录变量：session_output_dir -8. 图表标题和标签使用中文，使用系统配置的中文字体显示 -9. 必须打印绝对路径：每次图片生成后，必须执行！！！处理图片收集动作保存图片，使用os.path.abspath()打印完整的绝对路径 -10. 图片文件名：使用中文描述业务含义（如“核心问题词云.png”），**严禁**在文件名或标题中出现 "2-gram", "dataframe", "plot" 等技术术语。 -11. 图表类型强制规则：如果类别数量 > 5，严禁使用饼图，必须使用水平条形图，并按数值降序排列。 -12. 饼图仅限极少类别：只有当类别数量 ≤ 5 时才允许使用饼图。必须设置 `plt.legend(bbox_to_anchor=(1, 1))` 将图例放在图外，防止标签重叠。 -13. 美学标准：所有图表必须去除非数据墨水（无边框、无网格线或极淡网格），配色使用 Seaborn 默认色板或科研配色。 - - - -高级分析技术指南（主动探索模式）： -- **智能选择算法**： - - 遇到时间字段 -> `pd.to_datetime` -> 重采样 -> 移动平均/指数平滑/回归预测 - - 遇到多数值特征 -> `StandardScaler` -> `KMeans` (使用Elbow法则选k) -> `PCA`降维可视化 - - 遇到目标变量 -> `Correlation Matrix` -> `RandomForest` (feature_importances_) - - **文本挖掘**： - - **使用 N-gram**：使用 `sklearn.feature_extraction.text.CountVectorizer(ngram_range=(2, 3))` 来捕获 "remote control" 这样的专有名词。 - - **专用停用词表** (Stop Words)： - - 年份/数字：2023, 2024, 2025, 1月, 2月... - - 通用动词：work, fix, support, issue, problem, check, test... - - 通用介词/代词：the, is, at, which, on, for, this, that... - - **结果验证**：提取出的 Top 关键词**必须**大部分是具有业务含义的短语，而不是单个单词。 -- **异常值挖掘**：总是检查是否存在显著偏离均值的异常点，并标记出来进行个案分析。 -- **可视化增强**：不要只画折线图。使用 `seaborn` 的 `pairplot`, `heatmap`, `lmplot` 等高级图表。 - -📝 动作选择指南： -- **需要执行代码列表** → 使用 "generate_code" -- **已生成多个图表，需要收集分析** → 使用 "collect_figures" -- **所有分析完成，输出最终报告** → 使用 "analysis_complete" -- **遇到错误需要修复代码** → 使用 "generate_code" - -📊 图片收集要求： -- 在适当的时候（通常是生成了多个图表后），主动使用 `collect_figures` 动作 -- 收集时必须包含具体的图片绝对路径（file_path字段） -- 提供详细的图片描述和深入的分析 -- 确保图片路径与之前打印的路径一致 - -报告生成要求： -- 生成的报告要符合报告的文言需要，不要出现有争议的文字 -- 在适当的时候（通常是生成了多个图表后），进行图像的对比分析 -- 涉及的文言，不能出现我，你，他，等主观用于，采用报告式的文言论述 -- 提供详细的图片描述和深入的分析 -- 报告中的英文单词，初专有名词（TSP，TBOX等），其余的全部翻译成中文，例如remote control（远控），don't exist in TSP （数据不在TSP上）； - - -📋 三种动作类型及使用时机： - -**1. 代码生成动作 (generate_code)** -适用于：数据加载、探索、清洗、计算、可视化等需要执行Python代码的情况 - -**2. 图片收集动作 (collect_figures)** -适用于：已生成多个图表后，需要对图片进行汇总和深入分析的情况 - -**3. 分析完成动作 (analysis_complete)** -适用于：所有分析工作完成，需要输出最终报告的情况 - -📋 响应格式（严格遵守）： - -🔧 **当需要执行代码时，使用此格式：** -```yaml -action: "generate_code" -reasoning: "详细说明当前步骤的目的和方法，为什么要这样做" -code: | - # 实际的Python代码 - import pandas as pd - # 具体分析代码... - - # 图片保存示例（如果生成图表） - plt.figure(figsize=(10, 6)) - # 绘图代码... - plt.title('图表标题') - file_path = os.path.join(session_output_dir, '图表名称.png') - plt.savefig(file_path, dpi=150, bbox_inches='tight') - plt.close() - # 必须打印绝对路径 - absolute_path = os.path.abspath(file_path) - print(f"图片已保存至: {{absolute_path}}") - print(f"图片文件名: {{os.path.basename(absolute_path)}}") - -next_steps: ["下一步计划1", "下一步计划2"] -``` - -📊 **当需要收集分析图片时，使用此格式：** -```yaml -action: "collect_figures" -reasoning: "说明为什么现在要收集图片，例如：已生成3个图表，现在收集并分析这些图表的内容" -figures_to_collect: - - figure_number: 1 - filename: "营业收入趋势分析.png" - file_path: "实际的完整绝对路径" - description: "图片概述：展示了什么内容" - analysis: "细节分析：从图中可以看出的具体信息和洞察" -next_steps: ["后续计划"] -``` - -✅ **当所有分析完成时，使用此格式：** -```yaml -action: "analysis_complete" -final_report: "完整的最终分析报告内容" -``` - - - -⚠️ 特别注意： -- 数据读取问题：如果看到大量NaN值，检查编码和分隔符 -- 日期列问题：如果日期列显示为float64，说明解析失败 -- 编码错误：逐个尝试 ['utf-8', 'gbk', 'gb18030', 'gb2312', 'latin1'] -- 列类型错误：检查是否有列被错误识别为数值型但实际是文本 -- matplotlib错误时，确保使用Agg后端和正确的字体设置 -- 每次执行后根据反馈调整代码，不要重复相同的错误 +3. **analysis_complete** + - 场景：所有SOP步骤执行完毕，且已通过 `collect_figures` 收集了足够素材。 + - 格式： + ```yaml + action: "analysis_complete" + final_report: "（此处留空，系统会根据上下文自动生成报告）" + ``` +--- +⚠️ **特别提示**： +- **翻译要求**：报告中的英文专有名词（除了TSP, TBOX, HU等标准缩写）必须翻译成中文（Remote Control -> 远控）。 +- **客观陈述**：不要使用"data shows", "plot indicates"等技术语言，直接陈述业务事实（"X车型在Y模块故障率最高"）。 +- **鲁棒性**：如果代码报错，请深呼吸，分析错误日志，修改代码重试。不要重复无效代码。 """ @@ -362,7 +235,7 @@ final_report_system_prompt = """你是一位**资深数据分析专家 (Senior D ## 5. 改进建议与方案探讨 > **重要提示**：以下内容仅基于数据分析结果提出初步探讨方向。**具体实施方案、责任分配及落地时间必须由人工专家（PM/研发/运营）结合实际业务资源与约束最终确认**。 -| 建议方向 (Direction) | 关联问题 (Issue) | 初步方案思路 (Draft Proposal) | 需人工评估点 (Points for Human Review) | +| 建议方向 | 关联问题 | 初步方案思路 | 需人工评估点 | | :--- | :--- | :--- | :--- | | **[方向1：如 固件版本回退]** | [3.1主题：连接失败率高] | 建议评估对受影响版本v2.1进行回滚或停止推送的可行性，以快速止损。 | 1. 回滚操作对用户数据的潜在风险
2. 是否有依赖该版本的其他关键功能 | | **[方向2：如 体验优化专项]** | [3.2主题：核心功能体验差] | 建议组建专项小组，针对Top 3失败日志进行集中排查，通过技术优化提升成功率。 | 1. 当前研发资源的排期冲突
2. 优化后的预期收益是否匹配投入成本 | @@ -375,3 +248,53 @@ final_report_system_prompt = """你是一位**资深数据分析专家 (Senior D - **待澄清问题**：[需要额外数据或实验验证的假设。] - **推荐后续深度分析方向**：[建议的下一阶段分析主题。] """ + +# 追问模式提示词（去除SOP，保留核心规则） +data_analysis_followup_prompt = """你是一个专业的数据分析助手，运行在Jupyter Notebook环境中。 +当前处于**追问模式 (Follow-up Mode)**。用户基于之前的分析结果提出了新的需求。 + +🎯 **核心使命**： +- 直接针对用户的后续需求进行解答，**无需**重新执行完整SOP。 +- 只有当用户明确要求重新进行全流程分析时，才执行SOP。 + +🔧 **核心能力**： +1. **代码执行**：自动编写并执行Pandas/Matplotlib代码。 +2. **多模态分析**：支持时序预测、文本挖掘（N-gram）、多维交叉分析。 +3. **智能纠错**：遇到报错自动分析原因并修复代码。 + +jupyter notebook环境当前变量（已包含之前分析的数据df）： +{notebook_variables} + +--- + +🚨 **关键红线 (Critical Rules)**： +1. **进程保护**：严禁使用 `exit()`、`quit()` 或 `sys.exit()`。 +2. **数据安全**：严禁伪造数据。严禁写入非结果文件。 +3. **文件验证**：所有文件操作前必须 `os.path.exists()`。 +4. **绝对路径**：图片保存必须使用 `session_output_dir` 和 `os.path.abspath`。 +5. **图片保存**：禁止 `plt.show()`。必须使用 `plt.savefig()`。 + +--- + +🔧 **代码生成规则 (Reuse)**： +- **环境持久化**：直接使用已加载的 `df`，不要重复加载数据。 +- **可视化规范**：中文字体配置、类别>5使用水平条形图、美学要求同上。 +- **文本挖掘**：如需挖掘，继续遵守N-gram和停用词规则。 + +--- + +📋 **动作选择指南**： + +1. **generate_code** + - 场景：执行针对追问的代码。 + - 格式：同标准模式。 + +2. **collect_figures** + - 场景：如果生成了新的图表，必须收集。 + - 格式：同标准模式。 + +3. **analysis_complete** + - 场景：追问回答完毕。 + - 格式：同标准模式。 + +""" diff --git a/test.py b/test.py index ae8265b..1ad40d8 100644 --- a/test.py +++ b/test.py @@ -2,12 +2,12 @@ import openai client = openai.OpenAI( - api_key="sk-2187174de21548b0b8b0c92129700199", - base_url="http://127.0.0.1:9999/v1" + api_key="sk-Gce85QLROESeOWf3icd2mQnYHOrmMYojwVPQ0AubMjGQ5ZE2", + base_url="https://gemini.jeason.online/v1" ) response = client.chat.completions.create( - model="gemini-3-flash", + model="gemini-2.5-flash", messages=[{"role": "user", "content": "你好，请自我介绍"}] ) print(response.choices[0].message.content) \ No newline at end of file diff --git a/utils/code_executor.py b/utils/code_executor.py index accb3de..17f5537 100644 --- a/utils/code_executor.py +++ b/utils/code_executor.py @@ -214,6 +214,7 @@ import matplotlib.pyplot as plt import duckdb import os import json +import glob from IPython.display import display """ try: diff --git a/web/main.py b/web/main.py index bc428f9..c64efbd 100644 --- a/web/main.py +++ b/web/main.py @@ -42,6 +42,8 @@ class SessionData: self.generated_report: Optional[str] = None self.log_file: Optional[str] = None self.analysis_results: List[Dict] = [] # Store analysis results for gallery + self.agent: Optional[DataAnalysisAgent] = None # Store the agent instance for follow-up + class SessionManager: def __init__(self): @@ -72,7 +74,7 @@ app.mount("/outputs", StaticFiles(directory="outputs"), name="outputs") # --- Helper Functions --- -def run_analysis_task(session_id: str, files: list, user_requirement: str): +def run_analysis_task(session_id: str, files: list, user_requirement: str, is_followup: bool = False): """ Runs the analysis agent in a background thread for a specific session. """ @@ -83,14 +85,13 @@ def run_analysis_task(session_id: str, files: list, user_requirement: str): session.is_running = True try: - # Create session directory + # Create session directory if not exists (for follow-up it should accept existing) base_output_dir = "outputs" - # We enforce a specific directory naming convention or let the util handle it - # ideally we map session_id to the directory - # For now, let's use the standard utility but we might lose the direct mapping if not careful - # Let's trust the return value - session_output_dir = create_session_output_dir(base_output_dir, user_requirement) - session.output_dir = session_output_dir + + if not session.output_dir: + session.output_dir = create_session_output_dir(base_output_dir, user_requirement) + + session_output_dir = session.output_dir # Initialize Log capturing session.log_file = os.path.join(session_output_dir, "process.log") @@ -125,8 +126,13 @@ def run_analysis_task(session_id: str, files: list, user_requirement: str): # but try to capture to file? # Let's just write to the file. - with open(session.log_file, "w", encoding="utf-8") as f: - f.write(f"--- Session {session_id} Started ---\n") + # Let's just write to the file. + + with open(session.log_file, "a" if is_followup else "w", encoding="utf-8") as f: + if is_followup: + f.write(f"\n--- Follow-up Session {session_id} Continued ---\n") + else: + f.write(f"--- Session {session_id} Started ---\n") # We will create a custom print function that writes to the file # And monkeypatch builtins.print? No, that's too hacky. @@ -153,14 +159,30 @@ def run_analysis_task(session_id: str, files: list, user_requirement: str): sys.stdout = logger # Global hijack! try: - llm_config = LLMConfig() - agent = DataAnalysisAgent(llm_config, force_max_rounds=False, output_dir=base_output_dir) - - result = agent.analyze( - user_input=user_requirement, - files=files, - session_output_dir=session_output_dir - ) + if not is_followup: + llm_config = LLMConfig() + agent = DataAnalysisAgent(llm_config, force_max_rounds=False, output_dir=base_output_dir) + session.agent = agent + + result = agent.analyze( + user_input=user_requirement, + files=files, + session_output_dir=session_output_dir, + reset_session=True + ) + else: + agent = session.agent + if not agent: + print("Error: Agent not initialized for follow-up.") + return + + result = agent.analyze( + user_input=user_requirement, + files=None, + session_output_dir=session_output_dir, + reset_session=False, + max_rounds=10 + ) session.generated_report = result.get("report_file_path", None) session.analysis_results = result.get("analysis_results", []) @@ -185,6 +207,10 @@ def run_analysis_task(session_id: str, files: list, user_requirement: str): class StartRequest(BaseModel): requirement: str +class ChatRequest(BaseModel): + session_id: str + message: str + # --- API Endpoints --- @app.get("/") @@ -214,9 +240,21 @@ async def start_analysis(request: StartRequest, background_tasks: BackgroundTask files = [os.path.abspath(f) for f in files] # Only use absolute paths - background_tasks.add_task(run_analysis_task, session_id, files, request.requirement) + background_tasks.add_task(run_analysis_task, session_id, files, request.requirement, is_followup=False) return {"status": "started", "session_id": session_id} +@app.post("/api/chat") +async def chat_analysis(request: ChatRequest, background_tasks: BackgroundTasks): + session = session_manager.get_session(request.session_id) + if not session: + raise HTTPException(status_code=404, detail="Session not found") + + if session.is_running: + raise HTTPException(status_code=400, detail="Analysis already in progress") + + background_tasks.add_task(run_analysis_task, request.session_id, [], request.message, is_followup=True) + return {"status": "started"} + @app.get("/api/status") async def get_status(session_id: str = Query(..., description="Session ID")): session = session_manager.get_session(session_id) @@ -235,6 +273,27 @@ async def get_status(session_id: str = Query(..., description="Session ID")): "report_path": session.generated_report } +@app.get("/api/export") +async def export_session(session_id: str = Query(..., description="Session ID")): + session = session_manager.get_session(session_id) + if not session: + raise HTTPException(status_code=404, detail="Session not found") + + if not session.output_dir or not os.path.exists(session.output_dir): + raise HTTPException(status_code=404, detail="No data available for export") + + # Create a zip file + import shutil + + # We want to zip the contents of session_output_dir + # Zip path should be outside to avoid recursive zipping if inside + zip_base_name = os.path.join("outputs", f"export_{session_id}") + + # shutil.make_archive expects base_name (without extension) and root_dir + archive_path = shutil.make_archive(zip_base_name, 'zip', session.output_dir) + + return FileResponse(archive_path, media_type='application/zip', filename=f"analysis_export_{session_id}.zip") + @app.get("/api/report") async def get_report(session_id: str = Query(..., description="Session ID")): session = session_manager.get_session(session_id) @@ -250,8 +309,24 @@ async def get_report(session_id: str = Query(..., description="Session ID")): # Fix image paths relative_session_path = os.path.relpath(session.output_dir, os.getcwd()) web_base_path = f"/{relative_session_path}" + + # Robust image path replacement + # 1. Replace explicit relative paths ./image.png content = content.replace("](./", f"]({web_base_path}/") + # 2. Replace naked paths that might be generated like ](image.png) but NOT ](http...) or ](/...) + import re + def replace_link(match): + alt = match.group(1) + url = match.group(2) + if url.startswith("http") or url.startswith("/") or url.startswith("data:"): + return match.group(0) + # Remove ./ if exists again just in case + clean_url = url.lstrip("./") + return f"![{alt}]({web_base_path}/{clean_url})" + + content = re.sub(r'!\[(.*?)\]\((.*?)\)', replace_link, content) + return {"content": content, "base_path": web_base_path} @app.get("/api/figures") diff --git a/web/static/index.html b/web/static/index.html index 687a624..fcfbd6f 100644 --- a/web/static/index.html +++ b/web/static/index.html @@ -10,7 +10,9 @@ - + @@ -110,63 +112,74 @@ - -