12345678

.env

@@ -1,7 +1,7 @@
 
 # 火山引擎配置
 OPENAI_API_KEY=sk-c44i1hy64xgzwox6x08o4zug93frq6rgn84oqugf2pje1tg4
-OPENAI_BASE_URL=https://api.xiaomimimo.com/v1/chat/completions
+OPENAI_BASE_URL=https://api.xiaomimimo.com/v1
 # 文本模型
 OPENAI_MODEL=mimo-v2-flash
 # OPENAI_MODEL=deepseek-r1-250528

.gitignore

@@ -1,173 +0,0 @@
-# Byte-compiled / optimized / DLL files
-__pycache__/
-*.py[cod]
-*$py.class
-
-# C extensions
-*.so
-
-# Distribution / packaging
-.Python
-build/
-develop-eggs/
-dist/
-downloads/
-eggs/
-.eggs/
-lib/
-lib64/
-parts/
-sdist/
-var/
-wheels/
-pip-wheel-metadata/
-share/python-wheels/
-*.egg-info/
-.installed.cfg
-*.egg
-MANIFEST
-
-# PyInstaller
-#  Usually these files are written by a python script from a template
-#  before PyInstaller builds the exe, so as to inject date/other infos into it.
-*.manifest
-*.spec
-
-# Installer logs
-pip-log.txt
-pip-delete-this-directory.txt
-
-# Unit test / coverage reports
-htmlcov/
-.tox/
-.nox/
-.coverage
-.coverage.*
-.cache
-nosetests.xml
-coverage.xml
-*.cover
-*.py,cover
-.hypothesis/
-.pytest_cache/
-
-# Translations
-*.mo
-*.pot
-
-# Django stuff:
-*.log
-local_settings.py
-db.sqlite3
-db.sqlite3-journal
-
-# Flask stuff:
-instance/
-.webassets-cache
-
-# Scrapy stuff:
-.scrapy
-
-# Sphinx documentation
-docs/_build/
-
-# PyBuilder
-target/
-
-# Jupyter Notebook
-.ipynb_checkpoints
-
-# IPython
-profile_default/
-ipython_config.py
-
-# pyenv
-.python-version
-
-# pipenv
-#   According to pypa/pipenv#598, it is recommended to include Pipfile.lock in version control.
-#   However, in case of collaboration, if having platform-specific dependencies or dependencies
-#   having no cross-platform support, pipenv may install dependencies that don't work, or not
-#   install all needed dependencies.
-#Pipfile.lock
-
-# PEP 582; used by e.g. github.com/David-OConnor/pyflow
-__pypackages__/
-
-# Celery stuff
-celerybeat-schedule
-celerybeat.pid
-
-# SageMath parsed files
-*.sage.py
-
-# Environments
-.env
-.venv
-env/
-venv/
-ENV/
-env.bak/
-venv.bak/
-
-# Spyder project settings
-.spyderproject
-.spyproject
-
-# Rope project settings
-.ropeproject
-
-# mkdocs documentation
-/site
-
-# mypy
-.mypy_cache/
-.dmypy.json
-dmypy.json
-
-# Pyre type checker
-.pyre/
-
-# Project specific
-# Output files and generated reports
-outputs/
-*.png
-*.jpg
-*.jpeg
-*.pdf
-*.docx
-*.xlsx
-*.csv
-!贵州茅台利润表.csv
-
-# 允许assets目录下的图片文件（项目资源）
-!assets/**/*.png
-!assets/**/*.jpg
-!assets/**/*.jpeg
-
-# IDE and editor files
-.vscode/
-.idea/
-*.swp
-*.swo
-*~
-
-# OS specific files
-.DS_Store
-.DS_Store?
-._*
-.Spotlight-V100
-.Trashes
-ehthumbs.db
-Thumbs.db
-
-# API keys and configuration
-config.ini
-.env
-secrets.json
-api_keys.txt
-
-# Temporary files
-*.tmp
-*.temp
-*.log

.hypothesis/constants/09fb4673aaf2e760

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\tools\tool_manager.py
+# hypothesis_version: 6.151.9
+
+['address', 'calculate_statistics', 'calculate_trend', 'categorical', 'city', 'country', 'create_bar_chart', 'create_heatmap', 'create_line_chart', 'create_pie_chart', 'datetime', 'description', 'detect_outliers', 'get_correlation', 'get_time_series', 'get_value_counts', 'lat', 'latitude', 'location', 'lon', 'longitude', 'name', 'numeric', 'parameters', 'perform_groupby']

.hypothesis/constants/1489ccdc430439ed

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\tools\query_tools.py
+# hypothesis_version: 6.151.9
+
+[0.0, 100, '%Y-%m-%d', 'D', 'aggregation', 'array', 'boolean', 'column', 'columns', 'correlation_matrix', 'count', 'datetime', 'default', 'description', 'distribution', 'error', 'frequency', 'get_correlation', 'get_time_series', 'get_value_counts', 'integer', 'items', 'max', 'mean', 'method', 'min', 'missing_count', 'normalize', 'normalized', 'numeric', 'object', 'pearson', 'percentage', 'properties', 'required', 'string', 'sum', 'time', 'time_column', 'time_series', 'top_n', 'total_count', 'type', 'unique_count', 'value', 'value_column', 'value_counts', '时间列名', '是否返回百分比而不是计数', '至少需要两个数值列来计算相关性', '获取时间序列数据，按时间聚合指定指标。', '要分析的列名', '要聚合的值列名', '计算数值列之间的相关系数矩阵。', '返回前N个最常见的值']

.hypothesis/constants/1e51c0dedb326fad

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\performance_optimization.py
+# hypothesis_version: 6.151.9
+
+[0.5, 1000000, '*.json', 'category', 'count', 'float64', 'gpt-4', 'int64', 'max', 'mean', 'min', 'object', 'r', 'sum', 'utf-8', 'w']

.hypothesis/constants/21502725e69b1597

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\logging_config.py
+# hypothesis_version: 6.151.9
+
+[100, '\x1b[0m', '\x1b[31m', '\x1b[32m', '\x1b[33m', '\x1b[35m', '\x1b[36m', '%H:%M:%S', '=', 'CRITICAL', 'DEBUG', 'ERROR', 'INFO', 'WARNING', '[AI 思考]', 'ai_thought', 'completed', 'completed_stages', 'details', 'duration', 'end_time', 'failed', 'failed_stages', 'httpcore', 'httpx', 'openai', 'stages', 'start_time', 'started', 'status', 'total_duration', 'total_stages', 'urllib3', 'utf-8', '✓', '✗', '失败', '开始执行跟踪', '成功', '执行摘要', '进度:']

.hypothesis/constants/2efec0acf87004bd

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\engines\__init__.py
+# hypothesis_version: 6.151.9
+
+['adjust_plan', 'execute_task', 'extract_insights', 'extract_key_findings', 'generate_basic_stats', 'generate_report', 'parse_template', 'plan_analysis', 'understand_data']

.hypothesis/constants/2f06dbc37fd16100

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\tools\query_tools.py
+# hypothesis_version: 6.151.9
+
+[0.0, 100, '%Y-%m-%d', 'D', 'aggregation', 'array', 'boolean', 'column', 'columns', 'correlation_matrix', 'count', 'datetime', 'default', 'description', 'distribution', 'error', 'frequency', 'get_correlation', 'get_time_series', 'get_value_counts', 'integer', 'items', 'max', 'mean', 'method', 'min', 'missing_count', 'normalize', 'normalized', 'numeric', 'object', 'pearson', 'percentage', 'properties', 'required', 'returned_points', 'string', 'sum', 'time', 'time_column', 'time_series', 'top_n', 'total_count', 'total_points', 'type', 'unique_count', 'value', 'value_column', 'value_counts', '时间列名', '是否返回百分比而不是计数', '至少需要两个数值列来计算相关性', '获取时间序列数据，按时间聚合指定指标。', '要分析的列名', '要聚合的值列名', '计算数值列之间的相关系数矩阵。', '返回前N个最常见的值']

.hypothesis/constants/2f8710039dd44cee

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\engines\plan_adjustment.py
+# hypothesis_version: 6.151.9
+
+[0.7, 2000, 'New Task', 'OPENAI_API_KEY', '\\{.*\\}', 'abnormal', 'anomaly', 'content', 'critical', 'dependencies', 'description', 'expected_output', 'gpt-4', 'high', 'id', 'insight', 'insights', 'medium', 'name', 'needs_adjustment', 'new_tasks', 'outlier', 'pending', 'priority', 'priority_changes', 'reasoning', 'required_tools', 'role', 'severity', 'skip_tasks', 'skipped', 'success', 'system', 'task', 'task_id', 'task_name', 'unusual', 'user', '不正常', '严重', '异常', '异常值', '离群']

.hypothesis/constants/364583d4f2b54d8c

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\engines\data_understanding.py
+# hypothesis_version: 6.151.9
+
+[0.0, 0.01, 0.25, 0.3, 0.5, 0.7, 0.75, 0.9, 100, '%Y-%m-%d %H:%M:%S', 'address', 'age', 'amount', 'assigned', 'avg_length', 'categorical', 'category', 'class', 'closed', 'column_count', 'columns', 'completed', 'cost', 'count', 'created', 'customer', 'date', 'date_range_days', 'datetime', 'days', 'duration', 'email', 'end', 'file_path', 'gender', 'id', 'issue', 'max', 'max_date', 'max_length', 'mean', 'median', 'min', 'min_date', 'modified', 'most_common', 'most_common_count', 'name', 'number', 'numeric', 'order', 'phone', 'price', 'priority', 'problem', 'product', 'q25', 'q75', 'quantity', 'registration', 'revenue', 'row_count', 'sales', 'start', 'state', 'status', 'std', 'text', 'ticket', 'time', 'type', 'unknown', 'updated', 'user', '。', '一般', '优秀', '创建时间', '完成时间', '工单数据', '数量', '时长', '时间字段', '更新时间', '未知类型数据', '标识符', '状态', '用户数据', '类型/分类', '良好', '较差', '金额', '销售数据']

.hypothesis/constants/3d04b04a17235a7d

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\models\data_profile.py
+# hypothesis_version: 6.151.9
+
+[0.0, 'ColumnInfo', 'DataProfile', 'column_count', 'columns', 'file_path', 'inferred_type', 'key_fields', 'quality_score', 'row_count', 'summary']

.hypothesis/constants/3ff7c44e55581836

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\tools\stats_tools.py
+# hypothesis_version: 6.151.9
+
+[0.0, 0.25, 0.75, 1.5, 100, 'aggregation', 'bounds', 'calculate_statistics', 'calculate_trend', 'column', 'count', 'datetime', 'decreasing', 'default', 'description', 'detect_outliers', 'error', 'group', 'group_by', 'groups', 'growth_rate', 'increasing', 'intercept', 'iqr', 'kurtosis', 'lower', 'max', 'mean', 'median', 'method', 'min', 'number', 'numeric', 'object', 'outlier_count', 'outlier_percentage', 'outlier_values', 'p_value', 'perform_groupby', 'properties', 'q25', 'q75', 'r_squared', 'required', 'returned_groups', 'skewness', 'slope', 'stable', 'std', 'string', 'sum', 'threshold', 'time_column', 'total_groups', 'trend', 'type', 'upper', 'value', 'value_column', 'zscore', '值列名', '分组依据的列名', '数据点太少，无法计算趋势', '时间列名', '检测方法：iqr 或 zscore', '要分析的列名', '要检测的列名', '要聚合的值列名，如果为空则计数']

.hypothesis/constants/4f8eaad4fd421f28

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\tools\stats_tools.py
+# hypothesis_version: 6.151.9
+
+[0.0, 0.25, 0.75, 1.5, 100, 'aggregation', 'bounds', 'calculate_statistics', 'calculate_trend', 'column', 'count', 'datetime', 'decreasing', 'default', 'description', 'detect_outliers', 'error', 'group', 'group_by', 'groups', 'growth_rate', 'increasing', 'intercept', 'iqr', 'kurtosis', 'lower', 'max', 'mean', 'median', 'method', 'min', 'number', 'numeric', 'object', 'outlier_count', 'outlier_percentage', 'outlier_values', 'p_value', 'perform_groupby', 'properties', 'q25', 'q75', 'r_squared', 'required', 'skewness', 'slope', 'stable', 'std', 'string', 'sum', 'threshold', 'time_column', 'trend', 'type', 'upper', 'value', 'value_column', 'zscore', '值列名', '分组依据的列名', '数据点太少，无法计算趋势', '时间列名', '检测方法：iqr 或 zscore', '要分析的列名', '要检测的列名', '要聚合的值列名，如果为空则计数']

.hypothesis/constants/584fdee6e6e18bca

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\models\analysis_result.py
+# hypothesis_version: 6.151.9
+
+[0.0, 'AnalysisResult']

.hypothesis/constants/623775b22e6feba9

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\main.py
+# hypothesis_version: 6.151.9
+
+[100, '=', 'analysis_report.md', 'columns', 'completed', 'data_type', 'data_understanding', 'elapsed_time', 'error', 'failed', 'objectives_count', 'output', 'performance_stats', 'report_path', 'results_count', 'rows', 'started', 'success', 'tasks_count', 'utf-8', '任务执行', '分析数据特征...', '分析流程失败', '分析规划', '完成', '完整分析', '性能统计', '报告生成', '数据理解', '检查是否需要调整计划...', '生成分析报告...', '生成分析计划...', '解析用户需求...', '跳过', '选择分析工具...', '需求理解']

.hypothesis/constants/66937db06263c9ce

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\engines\report_generation.py
+# hypothesis_version: 6.151.9
+
+[0.7, 3000, '## 分析追溯', '## 执行摘要', '## 数据概览', '## 结论与建议', '## 详细分析', '## 附录：分析任务', '### 其他发现', '### 建议', '### 异常分析', '### 趋势分析', '### 跳过的分析', '%', '---', 'N/A', 'OPENAI_API_KEY', 'abnormal', 'anomaly', 'anomaly_count', 'category', 'change', 'conclusions', 'content', 'critical', 'data', 'decline', 'decrease', 'detailed_analysis', 'error', 'executive_summary', 'failure', 'finding', 'gpt-4', 'growth', 'importance', 'increase', 'insight', 'issue', 'key_findings', 'long', 'pending', 'percent', 'problem', 'recommendations', 'role', 'sales', 'sections', 'severe', 'source_task', 'summary', 'system', 'task_name', 'ticket', 'title', 'trend', 'trend_count', 'unknown', 'urgent', 'use_template', 'user', 'utf-8', 'visualizations', 'w', '| 任务名称 | 状态 | 执行时间 |', '✓', '✓ 成功', '✗', '✗ 失败', '上升', '下降', '严重', '产品分析', '以下分析由于数据限制或错误而被跳过：', '健康', '关键', '关键字段：', '减速', '分布', '分析完成，未发现明显异常。', '加速', '占比低', '占比过高', '占比高', '变化', '增长', '失败', '工单', '建议优先处理积压的待处理项，提高处理效率', '建议优化处理流程，缩短处理时长', '建议关注占比异常高的类别，分析根本原因', '异常', '异常分析', '待处理', '执行摘要', '持续', '故障', '数据', '数据概览', '时长', '显著', '本报告基于以下分析任务：', '波动', '状态分析', '用户', '百分', '稳定', '突出', '类型分析', '紧急', '结论与建议', '详细分析', '超出', '趋势', '趋势分析', '过低', '过高', '重大', '销售', '销售分析', '错误', '长', '问题']

.hypothesis/constants/681da1efa44634b1

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\main.py
+# hypothesis_version: 6.151.9
+
+[100, 'analysis_report.md', 'columns', 'completed', 'data_type', 'elapsed_time', 'error', 'failed', 'objectives_count', 'output', 'report_path', 'results_count', 'rows', 'started', 'success', 'tasks_count', 'utf-8', '任务执行', '分析数据特征...', '分析流程失败', '分析规划', '完成', '完整分析', '报告生成', '数据理解', '检查是否需要调整计划...', '生成分析报告...', '生成分析计划...', '解析用户需求...', '跳过', '选择分析工具...', '需求理解']

.hypothesis/constants/6bd2157110bb9ad3

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\tools\__init__.py
+# hypothesis_version: 6.151.9
+
+['AnalysisTool', 'ToolRegistry', 'get_applicable_tools', 'get_tool', 'list_tools', 'register_tool']

.hypothesis/constants/74a3dbebd9e4074a

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\tools\base.py
+# hypothesis_version: 6.151.9
+
+['required']

.hypothesis/constants/7f1d791fd72c24c1

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\env_loader.py
+# hypothesis_version: 6.151.9
+
+[0.0, '"', '#', "'", '.env', '.env.local', '1', '=', 'on', 'r', 'true', 'utf-8', 'yes', '环境变量摘要:']

.hypothesis/constants/813532efc91b30af

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\__init__.py
+# hypothesis_version: 6.151.9
+
+['0.1.0']

.hypothesis/constants/946ba8c598d14bdd

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\config.py
+# hypothesis_version: 6.151.9
+
+[0.7, 120, 300, 10000, 1000000, '***', '0.7', '1', '10000', '1000000', '120', '20', '3', '300', '60', 'AGENT_MAX_ROUNDS', 'AGENT_OUTPUT_DIR', 'AGENT_TIMEOUT', 'CHART_DIR', 'Config', 'DATA_MAX_ROWS', 'DEBUG', 'ERROR', 'GEMINI_API_KEY', 'GEMINI_BASE_URL', 'GEMINI_MODEL', 'INFO', 'LLM API key 不能为空', 'LLM API key 未设置', 'LLM_MAX_RETRIES', 'LLM_MAX_TOKENS', 'LLM_PROVIDER', 'LLM_TEMPERATURE', 'LLM_TIMEOUT', 'LOG_DIR', 'LOG_LEVEL', 'LOG_TO_CONSOLE', 'LOG_TO_FILE', 'MAX_CONCURRENT_TASKS', 'OPENAI_API_KEY', 'OPENAI_BASE_URL', 'OPENAI_MODEL', 'REPORT_FILENAME', 'TOOL_MAX_QUERY_ROWS', 'WARNING', 'agent_max_rounds', 'agent_timeout', 'analysis_report.md', 'api_key', 'base_url', 'chart_dir', 'charts', 'data_max_rows', 'gemini', 'gemini-2.0-flash-exp', 'gpt-4', 'llm', 'log_dir', 'log_level', 'log_to_console', 'log_to_file', 'max_concurrent_tasks', 'max_retries', 'max_retries 不能为负数', 'max_tokens', 'model', 'openai', 'output', 'output_dir', 'performance', 'provider', 'r', 'report_filename', 'temperature', 'timeout', 'timeout 必须大于 0', 'tool_max_query_rows', 'true', 'utf-8', 'w']

.hypothesis/constants/9ad9d84748d09727

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\engines\requirement_understanding.py
+# hypothesis_version: 6.151.9
+
+[0.7, 2000, 'OPENAI_API_KEY', '\\{.*\\}', '^#+\\s+(.+)$', 'all_satisfied', 'can_proceed', 'constraints', 'content', 'datetime', 'description', 'distribution', 'expected_outputs', 'gpt-4', 'health', 'metrics', 'missing_fields', 'name', 'objectives', 'priority', 'r', 'required_charts', 'required_metrics', 'role', 'satisfied_objectives', 'sections', 'status', 'system', 'time', 'trend', 'type', 'user', 'utf-8', '健康度', '健康度分析', '关键发现', '分布', '分布分析', '分析报告', '分析数据的分布特征', '分析数据的整体健康状况', '分析数据随时间的变化趋势', '可视化图表', '基础统计', '增长率', '处理效率', '完成率', '对数据进行全面分析', '数值分布', '时间', '时间序列', '状态', '积压情况', '类别分布', '类型', '综合分析', '趋势', '趋势分析']

.hypothesis/constants/9b1a7d7d85d72278

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\models\data_profile.py
+# hypothesis_version: 6.151.9
+
+[0.0, 'ColumnInfo', 'DataProfile', 'column_count', 'columns', 'dtype', 'file_path', 'inferred_type', 'key_fields', 'missing_rate', 'name', 'quality_score', 'row_count', 'sample_values', 'statistics', 'summary', 'unique_count']

.hypothesis/constants/9bda871697adefb4

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\data_access.py
+# hypothesis_version: 6.151.9
+
+[0.0, 0.05, 100, 1000000, 'DataAccessLayer', 'categorical', 'datetime', 'error', 'gb2312', 'gbk', 'iso-8859-1', 'latin1', 'max', 'mean', 'median', 'min', 'num_categories', 'numeric', 'object', 'records', 'std', 'success', 'text', 'tool', 'top_values', 'unknown', 'utf-8']

.hypothesis/constants/b9dfba88b7797cd8

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\error_handling.py
+# hypothesis_version: 6.151.9
+
+[0.0, 30.0, 1024, 1000000, ',', ';', 'AI 调用失败，使用降级策略', 'AI 调用成功', 'AI 返回 None', 'completed', 'data', 'dependencies', 'error', 'execute', 'failed', 'gb2312', 'gbk', 'id', 'integer', 'iso-8859-1', 'latin1', 'name', 'number', 'parameters', 'properties', 'python', 'required', 'skip', 'skipped', 'status', 'string', 'success', 'task_id', 'task_name', 'tasks', 'tool', 'type', 'unknown', 'utf-8', 'valid', '|', '工具返回 None', '数据为空']

.hypothesis/constants/ca4f149613285b64

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\models\requirement_spec.py
+# hypothesis_version: 6.151.9
+
+['AnalysisObjective', 'RequirementSpec', 'constraints', 'expected_outputs', 'objectives', 'template_path', 'user_input']

.hypothesis/constants/ca88f8a3ce954a65

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\engines\analysis_planning.py
+# hypothesis_version: 6.151.9
+
+[0.7, 3000, 'OPENAI_API_KEY', '\\{.*\\}', 'calculate_statistics', 'calculate_trend', 'content', 'create_bar_chart', 'create_line_chart', 'dependencies', 'description', 'detect_outliers', 'distribution', 'estimated_duration', 'expected_output', 'forms_dag', 'get_time_series', 'get_value_counts', 'gpt-4', 'health', 'id', 'missing_dep', 'missing_dependencies', 'name', 'overview', 'pending', 'priority', 'quality', 'required_tools', 'role', 'statistics', 'system', 'task_1', 'task_id', 'tasks', 'time', 'tool_config', 'trend', 'user', 'valid', '健康', '分布', '分布图表和统计', '对数据进行全面的探索性分析', '数据分析报告', '时间', '概览', '统计', '统计摘要', '综合数据分析', '质量', '质量评分和问题识别', '趋势', '趋势图表和分析']

.hypothesis/constants/da0edc6bd16fa2d1

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\engines\data_understanding.py
+# hypothesis_version: 6.151.9
+
+[0.0, 0.01, 0.25, 0.3, 0.5, 0.7, 0.75, 0.9, 100, '%Y-%m-%d %H:%M:%S', 'address', 'age', 'amount', 'assigned', 'avg_length', 'categorical', 'category', 'class', 'closed', 'column_count', 'columns', 'completed', 'cost', 'count', 'created', 'customer', 'date', 'date_range_days', 'datetime', 'days', 'duration', 'email', 'end', 'file_path', 'gender', 'id', 'issue', 'max', 'max_date', 'max_length', 'mean', 'median', 'min', 'min_date', 'modified', 'most_common', 'most_common_count', 'name', 'number', 'numeric', 'order', 'phone', 'price', 'priority', 'problem', 'product', 'q25', 'q75', 'quantity', 'registration', 'revenue', 'row_count', 'sales', 'start', 'state', 'status', 'std', 'text', 'ticket', 'time', 'type', 'unknown', 'updated', 'user', '。', '一般', '优秀', '创建时间', '完成时间', '工单数据', '数量', '时长', '时间字段', '更新时间', '未知类型数据', '标识符', '状态', '用户数据', '类型/分类', '良好', '较差', '金额', '销售数据']

.hypothesis/constants/de9390680a26147e

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\engines\task_execution.py
+# hypothesis_version: 6.151.9
+
+[0.7, 500, 1000, 3000, 'OPENAI_API_KEY', '\\[.*\\]', '\\{.*\\}', 'action', 'content', 'data', 'error', 'gpt-4', 'is_completed', 'observation', 'params', 'reasoning', 'result', 'role', 'selected_tool', 'success', 'system', 'thought', 'tool', 'tool_params', 'type', 'user', 'visualization_path']

.hypothesis/constants/e300194a1061558e

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\data_access.py
+# hypothesis_version: 6.151.9
+
+[0.0, 0.05, 100, 1024, 1000000, 'DataAccessLayer', 'categorical', 'datetime', 'error', 'gb2312', 'gbk', 'iso-8859-1', 'latin1', 'max', 'mean', 'median', 'min', 'num_categories', 'numeric', 'object', 'records', 'std', 'success', 'text', 'tool', 'top_values', 'unknown', 'utf-8']

.hypothesis/constants/e9c900e698ec3af4

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\models\__init__.py
+# hypothesis_version: 6.151.9
+
+['AnalysisObjective', 'AnalysisPlan', 'AnalysisResult', 'AnalysisTask', 'ColumnInfo', 'DataProfile', 'RequirementSpec']

.hypothesis/constants/f2abc17af6ccbf95

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\engines\__init__.py
+# hypothesis_version: 6.151.9
+
+[]

.hypothesis/constants/f9ddb173be0bc253

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\models\analysis_plan.py
+# hypothesis_version: 6.151.9
+
+['AnalysisPlan', 'AnalysisTask', 'created_at', 'estimated_duration', 'objectives', 'pending', 'tasks', 'tool_config', 'updated_at']

.hypothesis/constants/fb4664b8fcae11c1

@@ -0,0 +1,4 @@
+# file: D:\code\iov_data_analysis_agent_old\src\tools\viz_tools.py
+# hypothesis_version: 6.151.9
+
+[0.3, 0.8, 100, 1000, '%1.1f%%', '.2f', 'Agg', 'DejaVu Sans', 'SimHei', 'X轴列名（分类变量）', 'X轴列名（通常是时间）', 'Y轴列名（数值变量）', 'Y轴列名（数值变量），如果为空则计数', 'array', 'auto', 'axes.unicode_minus', 'bar', 'bar_chart.png', 'black', 'bold', 'categories', 'center', 'chart_path', 'chart_type', 'column', 'columns', 'coolwarm', 'create_bar_chart', 'create_heatmap', 'create_line_chart', 'create_pie_chart', 'data_points', 'default', 'description', 'error', 'font.sans-serif', 'heatmap', 'heatmap.png', 'integer', 'items', 'line', 'line_chart.png', 'method', 'numeric', 'o', 'object', 'output_path', 'pearson', 'pie', 'pie_chart.png', 'properties', 'required', 'right', 'shrink', 'string', 'success', 'tight', 'title', 'top_n', 'type', 'white', 'x', 'x_column', 'y_column', '其他', '创建饼图，用于展示各部分占整体的比例。', '只显示前N个类别', "只显示前N个类别，其余归为'其他'", '图表标题', '折线图', '柱状图', '相关性热力图', '至少需要两个数值列来创建热力图', '要分析的列名', '计数', '输出文件路径', '饼图']

.hypothesis/examples/04e6b3400353b141/1cd770e72a9295de

@@ -0,0 +1 @@
+ýû¥ÊhØG2ÔK|Qò5ò™A™s#¬„ä¿%Bw”·ïÅ]ÚhX<>¬.secondary

.hypothesis/examples/04e6b3400353b141/374c9f5a6c41b2f2

@@ -0,0 +1 @@
+©όΌc<EFBFBD>ƒ<EFBFBD>Y%Ώ­ο$π†vο<>ί΅Λ/

.hypothesis/examples/04e6b3400353b141/63d04e6f43cafacd

@@ -0,0 +1 @@
+ýűĄĘhŘG2ÔK|Qň5ň™A™s#¬„äż%Bw”·ďĹ]ÚhXť¬

.hypothesis/examples/04e6b3400353b141/6ecb0a52a9d3487e

@@ -0,0 +1 @@
+©ü¼cŸƒˆY%¿­ï$ð†vïšß¡Ë/

.hypothesis/examples/04e6b3400353b141/dd5302cfa7abab2e

@@ -0,0 +1 @@
+Sđ‹2ť<EFBFBD> ëo¬÷Z@±ŹĘŹ°'ôٱ‰rčX·I–ĐÍÔÍ+Ť˝<>ßôҧב©›2

.kiro/hooks/code-quality-review.kiro.hook

@@ -0,0 +1,15 @@
+{
+  "enabled": true,
+  "name": "Code Quality Review",
+  "description": "在 git push 前手动触发，审核所有 Python 文件的代码质量",
+  "version": "1",
+  "when": {
+    "type": "userTriggered"
+  },
+  "then": {
+    "type": "askAgent",
+    "prompt": "审核刚刚编辑的 Python 文件，检查以下代码质量问题并给出具体改进建议：\n1. 命名规范（变量、函数、类名是否符合 PEP8）\n2. 函数复杂度（是否过长或逻辑过于复杂）\n3. 错误处理（是否有适当的异常处理）\n4. 代码重复（是否有可以抽取的重复逻辑）\n5. 注释和文档字符串是否完整\n请直接指出问题所在的具体行，并给出修改建议。"
+  },
+  "workspaceFolderName": "iov_data_analysis_agent_old",
+  "shortName": "code-quality-review"
+}

.kiro/specs/true-ai-agent/requirements.md

@@ -0,0 +1,447 @@
+# 真正的 AI 数据分析 Agent - 需求文档
+
+## 1. 项目背景
+
+### 1.1 当前问题
+
+现有系统是"四不像"：
+- 任务规划：基于模板的规则生成（固定90个任务）
+- 任务执行：AI 驱动的 ReAct 模式
+- 结果：规则 + AI = 不协调、不灵活
+
+### 1.2 核心问题
+
+**用户的真实需求**：
+> "我有数据，帮我分析一下"
+> "我想了解工单的健康度"
+> "按照这个模板分析，但要灵活调整"
+
+**系统应该做什么**：
+- 像人类分析师一样理解数据
+- 自主决定分析什么
+- 根据发现调整分析计划
+- 生成有洞察力的报告
+
+**而不是**：
+- 机械地执行固定任务
+- 死板地按模板填空
+
+## 2. 用户故事
+
+### 2.1 场景1：完全自主分析
+
+**作为** 数据分析师  
+**我想要** 上传数据文件，让 AI 自动分析  
+**以便** 快速了解数据的关键信息
+
+**验收标准**：
+- AI 能识别数据类型（工单、销售、用户等）
+- AI 能推断关键字段的业务含义
+- AI 能自主决定分析维度
+- AI 能生成合理的分析计划
+- AI 能执行分析并生成报告
+- 报告包含关键发现和洞察
+
+**示例**：
+```
+输入：cleaned_data.csv
+输出：
+  - 数据类型：工单数据
+  - 关键发现：
+    * 待处理工单占比50%（异常高）
+    * 某车型问题占比80%
+    * 平均处理时长超过标准2倍
+  - 建议：优先处理该车型的积压工单
+```
+
+### 2.2 场景2：指定分析方向
+
+**作为** 业务负责人  
+**我想要** 指定分析方向（如"健康度"）  
+**以便** 获得针对性的分析结果
+
+**验收标准**：
+- AI 能理解"健康度"的业务含义
+- AI 能将抽象概念转化为具体指标
+- AI 能根据数据特征选择合适的分析方法
+- AI 能生成针对性的报告
+
+**示例**：
+```
+输入：
+  - 数据：cleaned_data.csv
+  - 需求："我想了解工单的健康度"
+
+AI 理解：
+  - 健康度 = 关闭率 + 处理效率 + 积压情况 + 响应及时性
+
+AI 分析：
+  - 关闭率：75%（中等）
+  - 平均处理时长：48小时（偏长）
+  - 积压工单：50%（严重）
+  - 健康度评分：60/100（需改进）
+```
+
+### 2.3 场景3：参考模板分析
+
+**作为** 数据分析师  
+**我想要** 使用模板作为参考框架  
+**以便** 保持报告结构的一致性，同时保持灵活性
+
+**验收标准**：
+- AI 能理解模板的结构和要求
+- AI 能检查数据是否满足模板要求
+- 如果数据缺少某些字段，AI 能灵活调整
+- AI 能按模板结构组织报告
+- AI 不会因为数据不完全匹配而失败
+
+**示例**：
+```
+输入：
+  - 数据：cleaned_data.csv
+  - 模板：issue_analysis.md（要求14个图表）
+
+AI 检查：
+  - 模板要求"严重程度分布"，但数据中没有"严重程度"字段
+  - 决策：跳过该分析，在报告中说明
+
+AI 调整：
+  - 执行其他13个分析
+  - 报告中注明："数据缺少严重程度字段，无法分析该维度"
+```
+
+### 2.4 场景4：迭代深入分析
+
+**作为** 数据分析师  
+**我想要** AI 能根据发现深入分析  
+**以便** 找到问题的根因
+
+**验收标准**：
+- AI 能识别异常或关键发现
+- AI 能自主决定是否需要深入分析
+- AI 能动态调整分析计划
+- AI 能追踪问题的根因
+
+**示例**：
+```
+初步分析：
+  - 发现：待处理工单占比50%（异常高）
+
+AI 决策：需要深入分析
+
+深入分析1：
+  - 分析待处理工单的特征
+  - 发现：某车型占80%
+
+AI 决策：继续深入
+
+深入分析2：
+  - 分析该车型的问题类型
+  - 发现：都是"远程控制"问题
+
+AI 决策：继续深入
+
+深入分析3：
+  - 分析"远程控制"问题的模块分布
+  - 发现：90%是"车门模块"
+
+结论：车门模块的远程控制功能存在系统性问题
+```
+
+## 3. 功能需求
+
+### 3.1 数据理解（Data Understanding）
+
+**FR-1.1 数据加载**
+- 系统应支持 CSV 格式数据
+- 系统应自动检测编码（UTF-8, GBK等）
+- 系统应处理常见的数据格式问题
+
+**FR-1.2 数据类型识别**
+- AI 应分析列名、数据类型、值分布
+- AI 应推断数据的业务类型（工单、销售、用户等）
+- AI 应识别关键字段（时间、状态、分类、数值）
+
+**FR-1.3 字段含义理解**
+- AI 应推断每个字段的业务含义
+- AI 应识别字段之间的关系
+- AI 应识别可能的分析维度
+
+**FR-1.4 数据质量评估**
+- AI 应检查缺失值
+- AI 应检查异常值
+- AI 应评估数据质量分数
+
+### 3.2 需求理解（Requirement Understanding）
+
+**FR-2.1 自主需求推断**
+- 当用户未指定需求时，AI 应根据数据类型推断常见分析需求
+- AI 应生成默认的分析目标
+
+**FR-2.2 用户需求理解**
+- AI 应理解用户的自然语言需求
+- AI 应将抽象概念转化为具体指标
+- AI 应判断数据是否支持用户需求
+
+**FR-2.3 模板理解**
+- AI 应解析模板结构
+- AI 应理解模板要求的指标和图表
+- AI 应检查数据是否满足模板要求
+- AI 应在数据不满足时灵活调整
+
+### 3.3 分析规划（Analysis Planning）
+
+**FR-3.1 动态任务生成**
+- AI 应根据数据特征和需求生成分析任务
+- 任务应是动态的，不是固定的
+- 任务应包含优先级和依赖关系
+
+**FR-3.2 任务优先级**
+- AI 应根据重要性排序任务
+- 必需的分析应优先执行
+- 可选的分析应后执行
+
+**FR-3.3 计划调整**
+- AI 应能根据中间结果调整计划
+- AI 应能增加新的深入分析任务
+- AI 应能跳过不适用的任务
+
+### 3.4 工具集管理（Tool Management）
+
+**FR-4.1 预设工具集**
+- 系统应提供基础数据分析工具集
+- 基础工具包括：数据查询、统计分析、可视化、数据清洗
+- 工具应有标准的接口和描述
+
+**FR-4.2 动态工具调整**
+- AI 应根据数据特征决定需要哪些工具
+- AI 应根据分析需求动态启用/禁用工具
+- AI 应能识别缺少的工具并请求添加
+
+**FR-4.3 工具适配**
+- AI 应根据数据类型调整工具参数
+- 例如：时间序列数据 → 启用趋势分析工具
+- 例如：分类数据 → 启用分布分析工具
+- 例如：地理数据 → 启用地图可视化工具
+
+**FR-4.4 自定义工具生成**
+- AI 应能根据特定需求生成临时工具
+- AI 应能组合现有工具创建新功能
+- 自定义工具应在分析结束后可选保留
+
+**示例**：
+```
+数据特征：
+  - 包含时间字段（created_at, closed_at）
+  - 包含分类字段（status, type, model）
+  - 包含数值字段（duration）
+
+AI 决策：
+  - 启用工具：时间序列分析、分类分布、数值统计
+  - 禁用工具：地理分析（无地理字段）
+  - 生成工具：计算处理时长（closed_at - created_at）
+```
+
+### 3.5 分析执行（Analysis Execution）
+
+**FR-5.1 ReAct 执行模式**
+- 每个任务应使用 ReAct 模式执行
+- AI 应思考 → 行动 → 观察 → 判断
+- AI 应能从错误中学习
+
+**FR-5.2 工具调用**
+- AI 应从可用工具集中选择合适的工具
+- AI 应能组合多个工具完成复杂任务
+- AI 应能处理工具调用失败的情况
+
+**FR-5.3 结果验证**
+- AI 应验证每个任务的结果
+- AI 应识别异常结果
+- AI 应决定是否需要重试或调整
+
+**FR-5.4 迭代深入**
+- AI 应识别关键发现
+- AI 应决定是否需要深入分析
+- AI 应动态增加深入分析任务
+
+### 3.6 报告生成（Report Generation）
+
+**FR-6.1 关键发现提炼**
+- AI 应从所有结果中提炼关键发现
+- AI 应识别异常和趋势
+- AI 应提供洞察而不是简单罗列数据
+
+**FR-6.2 报告结构组织**
+- AI 应根据分析内容组织报告结构
+- 如果有模板，应参考模板结构
+- 如果没有模板，应生成合理的结构
+
+**FR-6.3 结论和建议**
+- AI 应基于分析结果得出结论
+- AI 应提供可操作的建议
+- AI 应说明建议的依据
+
+**FR-6.4 多格式输出**
+- 系统应生成 Markdown 格式报告
+- 系统应支持导出为 Word 文档（可选）
+- 报告应包含所有生成的图表
+
+## 4. 非功能需求
+
+### 4.1 性能需求
+
+**NFR-1.1 响应时间**
+- 数据理解阶段：< 30秒
+- 分析规划阶段：< 60秒
+- 单个任务执行：< 120秒
+- 完整分析流程：< 30分钟（取决于数据大小和任务数量）
+
+**NFR-1.2 数据规模**
+- 支持最大 100MB 的 CSV 文件
+- 支持最大 100万行数据
+- 支持最大 100列
+
+### 4.2 可靠性需求
+
+**NFR-2.1 错误处理**
+- AI 调用失败时应有降级策略
+- 单个任务失败不应影响整体流程
+- 系统应记录详细的错误日志
+
+**NFR-2.2 数据安全**
+- 数据应在本地处理，不上传到外部服务
+- 生成的报告应保存在用户指定的目录
+- 敏感信息应脱敏处理
+
+### 4.3 可用性需求
+
+**NFR-3.1 易用性**
+- 用户只需提供数据文件即可开始分析
+- 分析过程应显示进度和状态
+- 错误信息应清晰易懂
+
+**NFR-3.2 可观察性**
+- 系统应显示 AI 的思考过程
+- 系统应显示每个阶段的进度
+- 系统应记录完整的执行日志
+
+### 4.4 可扩展性需求
+
+**NFR-4.1 工具扩展**
+- 应易于添加新的分析工具
+- 工具应有标准接口
+- AI 应能自动发现和使用新工具
+- 工具应支持热加载，无需重启系统
+
+**NFR-4.2 工具动态性**
+- 工具集应根据数据特征动态调整
+- 工具参数应根据数据类型自适应
+- 系统应支持运行时生成临时工具
+
+**NFR-4.3 模型扩展**
+- 应支持不同的 LLM 提供商
+- 应支持本地模型和云端模型
+- 应支持模型切换
+
+## 5. 约束条件
+
+### 5.1 技术约束
+
+- 使用 Python 3.8+
+- 使用 OpenAI 兼容的 LLM API
+- 使用 pandas 进行数据处理
+- 使用 matplotlib 进行可视化
+
+### 5.2 业务约束
+
+- 系统应在离线环境下工作（除 LLM 调用外）
+- 系统不应依赖特定的数据格式或业务领域
+- 系统应保持通用性，适用于各种数据分析场景
+
+### 5.3 隐私和安全约束
+
+**数据隐私保护**：
+- AI 不能访问完整的原始数据内容
+- AI 只能读取：
+  - 表头（列名）
+  - 数据类型信息
+  - 基本统计摘要（行数、列数、缺失值比例、数据类型分布）
+  - 工具执行后的聚合结果（如分组统计结果、图表数据）
+- 所有原始数据处理必须在本地完成，不发送给 LLM
+- AI 通过调用本地工具来分析数据，工具返回摘要结果而非原始数据
+
+### 5.3 隐私和安全约束
+
+**数据隐私保护**：
+- AI 不能访问完整的原始数据内容
+- AI 只能读取：
+  - 表头（列名）
+  - 数据类型信息
+  - 基本统计摘要（行数、列数、缺失值比例、数据类型分布）
+  - 工具执行后的聚合结果（如分组统计结果、图表数据）
+- 所有原始数据处理必须在本地完成，不发送给 LLM
+- AI 通过调用本地工具来分析数据，工具返回摘要结果而非原始数据
+
+## 6. 验收标准
+
+### 6.1 场景1验收
+
+- [ ] 上传任意 CSV 文件，AI 能识别数据类型
+- [ ] AI 能自主生成分析计划
+- [ ] AI 能执行分析并生成报告
+- [ ] 报告包含关键发现和洞察
+
+### 6.2 场景2验收
+
+- [ ] 指定"健康度"等抽象需求，AI 能理解
+- [ ] AI 能生成相关指标
+- [ ] AI 能执行针对性分析
+- [ ] 报告聚焦于用户需求
+
+### 6.3 场景3验收
+
+- [ ] 提供模板，AI 能理解模板要求
+- [ ] 数据缺少字段时，AI 能灵活调整
+- [ ] 报告按模板结构组织
+- [ ] 报告说明哪些分析被跳过及原因
+
+### 6.4 场景4验收
+
+- [ ] AI 能识别异常发现
+- [ ] AI 能自主决定深入分析
+- [ ] AI 能动态调整分析计划
+- [ ] 报告包含深入分析的结果
+
+### 6.5 工具动态性验收
+
+- [ ] 系统根据数据特征自动启用相关工具
+- [ ] 系统根据数据特征自动禁用无关工具
+- [ ] AI 能识别需要但缺失的工具
+- [ ] AI 能生成临时工具满足特定需求
+- [ ] 工具参数根据数据类型自动调整
+
+## 7. 成功指标
+
+### 7.1 功能指标
+
+- 数据类型识别准确率 > 90%
+- 字段含义推断准确率 > 80%
+- 分析计划合理性（人工评估）> 85%
+- 报告质量（人工评估）> 80%
+
+### 7.2 性能指标
+
+- 完整分析流程完成率 > 95%
+- AI 调用成功率 > 90%
+
+### 7.3 用户满意度
+
+- 用户认为分析结果有价值 > 80%
+- 用户愿意再次使用 > 85%
+- 用户推荐给他人 > 75%
+
+---
+
+**版本**: v3.0.0  
+**日期**: 2026-03-06  
+**状态**: 需求定义完成

.kiro/specs/true-ai-agent/tasks.md

@@ -0,0 +1,458 @@
+# 实施计划：真正的 AI 数据分析 Agent
+
+## 概述
+
+本实施计划将设计转化为具体的编码任务。系统采用五阶段流水线架构，每个阶段由 AI 驱动，具有自主决策能力。实施将按照从核心数据结构到各个引擎组件，最后到集成的顺序进行。
+
+## 任务列表
+
+- [x] 1. 搭建项目结构和核心数据模型
+  - 创建项目目录结构（src/models, src/engines, src/tools, tests）
+  - 定义核心数据类（DataProfile, ColumnInfo, RequirementSpec, AnalysisObjective, AnalysisPlan, AnalysisTask, AnalysisResult）
+  - 实现数据类的序列化和反序列化方法
+  - 设置测试框架（pytest, hypothesis）
+  - _需求：FR-1.1, FR-1.2_
+
+- [x] 2. 实现数据访问层和隐私保护机制
+  - [x] 2.1 实现 DataAccessLayer 类
+    - 实现数据加载功能（支持多种编码）
+    - 实现数据画像生成（不暴露原始数据）
+    - 实现结果过滤机制（sanitize_result）
+    - _需求：约束条件5.3_
+  
+  - [x] 2.2 编写属性测试：数据访问限制
+    - **属性 18：数据访问限制**
+    - **验证需求：约束条件5.3**
+  
+  - [x] 2.3 编写单元测试
+    - 测试多种编码的数据加载
+    - 测试空文件和格式错误的处理
+    - 测试结果过滤功能
+
+
+- [x] 3. 实现工具系统基础设施
+  - [x] 3.1 定义工具接口（AnalysisTool 抽象类）
+    - 定义标准接口（name, description, parameters, execute, is_applicable）
+    - 实现工具注册机制
+    - _需求：FR-4.1_
+  
+  - [x] 3.2 实现基础数据查询工具
+    - 实现 get_column_distribution 工具
+    - 实现 get_value_counts 工具
+    - 实现 get_time_series 工具
+    - 实现 get_correlation 工具
+    - 确保所有工具返回聚合数据而非原始数据
+    - _需求：FR-4.1, 约束条件5.3_
+  
+  - [x] 3.3 实现基础统计分析工具
+    - 实现 calculate_statistics 工具
+    - 实现 perform_groupby 工具
+    - 实现 detect_outliers 工具
+    - 实现 calculate_trend 工具
+    - _需求：FR-4.1_
+  
+  - [x] 3.4 编写属性测试：工具接口一致性和输出过滤
+    - **属性 10：工具接口一致性**
+    - **属性 19：工具输出过滤**
+    - **验证需求：FR-4.1, 约束条件5.3**
+  
+  - [x] 3.5 编写单元测试
+    - 测试每个工具的基本功能
+    - 测试工具参数验证
+    - 测试工具执行错误处理
+
+- [x] 4. 实现可视化工具
+  - [x] 4.1 实现图表生成工具
+    - 实现 create_bar_chart 工具
+    - 实现 create_line_chart 工具
+    - 实现 create_pie_chart 工具
+    - 实现 create_heatmap 工具
+    - 实现 ai_picture 依据数据特性画图工具
+
+    - 使用 matplotlib 生成图表并保存为文件
+    - _需求：FR-4.1_
+  
+  - [x] 4.2 编写单元测试
+    - 测试图表生成功能
+    - 测试图表文件保存
+
+- [x] 5. 检查点 - 确保工具系统测试通过
+  - 确保所有测试通过，如有问题请询问用户
+
+
+- [x] 6. 实现工具管理器
+  - [x] 6.1 实现 ToolManager 类
+    - 实现工具选择逻辑（select_tools 方法）
+    - 根据数据特征启用/禁用工具
+    - 实现工具适用性判断
+    - _需求：FR-4.2, FR-4.3_
+  
+  - [x] 6.2 实现动态工具调整策略
+    - 检查时间字段并启用时间序列工具
+    - 检查分类字段并启用分布分析工具
+    - 检查数值字段并启用统计工具
+    - 检查地理字段并启用地理工具
+    - _需求：FR-4.2, FR-4.3_
+  
+  - [x] 6.3 编写属性测试：工具选择和适用性
+    - **属性 9：工具选择适配性**
+    - **属性 11：工具适用性判断**
+    - **属性 12：工具需求识别**
+    - **验证需求：FR-4.2, FR-4.3, 工具动态性验收.1, .2, .3**
+  
+  - [x] 6.4 编写单元测试
+    - 测试不同数据特征的工具选择
+    - 测试工具适用性判断
+
+- [x] 7. 实现数据理解引擎
+  - [x] 7.1 实现基础统计生成
+    - 实现 generate_basic_stats 函数
+    - 生成列信息（名称、类型、缺失率、唯一值数量）
+    - 生成示例值（每列最多5个）
+    - _需求：FR-1.2, FR-1.3_
+  
+  - [x] 7.2 实现 AI 驱动的数据理解
+    - 实现 understand_data 函数
+    - 调用 LLM 推断数据类型
+    - 调用 LLM 识别关键字段和业务含义
+    - 调用 LLM 评估数据质量
+    - 生成 DataProfile 对象
+    - _需求：FR-1.2, FR-1.3, FR-1.4_
+  
+  - [x] 7.3 编写属性测试：数据理解
+    - **属性 1：数据类型识别**
+    - **属性 2：数据画像完整性**
+    - **验证需求：场景1验收.1, FR-1.2, FR-1.3, FR-1.4**
+  
+  - [x] 7.4 编写单元测试
+    - 测试工单数据识别
+    - 测试销售数据识别
+    - 测试数据质量评估
+
+
+- [x] 8. 实现需求理解引擎
+  - [x] 8.1 实现用户需求解析
+    - 实现 understand_requirement 函数
+    - 调用 LLM 解析自然语言需求
+    - 将抽象概念转化为具体指标
+    - 生成 RequirementSpec 对象
+    - _需求：FR-2.1, FR-2.2_
+  
+  - [x] 8.2 实现模板解析功能
+    - 实现 parse_template 函数
+    - 解析模板文件结构
+    - 提取模板要求的指标和图表
+    - _需求：FR-2.3_
+  
+  - [x] 8.3 实现数据-需求匹配检查
+    - 实现 check_data_requirement_match 函数
+    - 检查数据是否满足需求
+    - 标记缺失的字段或能力
+    - _需求：FR-2.3_
+  
+  - [x] 8.4 编写属性测试：需求理解
+    - **属性 3：抽象需求转化**
+    - **属性 4：模板解析**
+    - **属性 5：数据-需求匹配检查**
+    - **验证需求：场景2验收.1, .2, 场景3验收.1, .2, FR-2.1, FR-2.2, FR-2.3**
+  
+  - [x] 8.5 编写单元测试
+    - 测试"健康度"需求的理解
+    - 测试模板解析
+    - 测试数据不满足需求的情况
+
+- [x] 9. 检查点 - 确保数据和需求理解测试通过
+  - 确保所有测试通过，如有问题请询问用户
+
+- [x] 10. 实现分析规划引擎
+  - [x] 10.1 实现 AI 驱动的任务生成
+    - 实现 plan_analysis 函数
+    - 调用 LLM 根据数据特征和需求生成任务列表
+    - 为每个任务分配优先级
+    - 识别任务依赖关系
+    - 生成 AnalysisPlan 对象
+    - _需求：FR-3.1, FR-3.2_
+  
+  - [x] 10.2 实现任务依赖验证
+    - 实现 validate_task_dependencies 函数
+    - 检查依赖关系是否形成 DAG
+    - 检查所有依赖的任务是否存在
+    - _需求：FR-3.1_
+  
+  - [x] 10.3 编写属性测试：分析规划
+    - **属性 6：动态任务生成**
+    - **属性 7：任务依赖一致性**
+    - **验证需求：场景1验收.2, FR-3.1, FR-3.2**
+  
+  - [x] 10.4 编写单元测试
+    - 测试任务生成
+    - 测试循环依赖检测
+    - 测试任务优先级排序
+
+
+- [x] 11. 实现任务执行引擎（ReAct 模式）
+  - [x] 11.1 实现 ReAct 执行循环
+    - 实现 execute_task 函数
+    - 实现思考-行动-观察循环
+    - 调用 LLM 进行思考和决策
+    - 选择并调用工具
+    - 记录执行历史
+    - 实现循环终止条件（完成或达到最大迭代次数）
+    - _需求：FR-5.1_
+  
+  - [x] 11.2 实现工具调用和结果处理
+    - 实现 call_tool 函数
+    - 根据 AI 决策选择工具
+    - 传递参数并执行工具
+    - 处理工具执行结果
+    - _需求：FR-5.2_
+  
+  - [x] 11.3 实现洞察提炼
+    - 实现 extract_insights 函数
+    - 从执行历史中提炼关键发现
+    - 识别异常和趋势
+    - _需求：FR-5.4_
+  
+  - [x] 11.4 编写属性测试：任务执行
+    - **属性 13：任务执行完整性**
+    - **属性 14：ReAct 循环终止**
+    - **属性 15：异常识别**
+    - **验证需求：场景1验收.3, 场景4验收.1, FR-5.1**
+  
+  - [x] 11.5 编写单元测试
+    - 测试 ReAct 循环
+    - 测试工具选择和调用
+    - 测试异常数据的识别
+
+- [x] 12. 实现动态计划调整
+  - [x] 12.1 实现计划调整逻辑
+    - 实现 adjust_plan 函数
+    - 分析已完成任务的结果
+    - 识别关键发现和异常
+    - 决定是否需要深入分析
+    - 生成新任务或调整优先级
+    - _需求：FR-3.3, FR-5.4_
+  
+  - [x] 12.2 编写属性测试：计划调整
+    - **属性 8：计划动态调整**
+    - **验证需求：场景4验收.2, .3, FR-3.3**
+  
+  - [x] 12.3 编写单元测试
+    - 测试发现异常后的计划调整
+    - 测试新任务的生成
+    - 测试任务跳过逻辑
+
+- [ ] 13. 检查点 - 确保规划和执行引擎测试通过
+  - 确保所有测试通过，如有问题请询问用户
+
+
+- [x] 14. 实现报告生成引擎
+  - [x] 14.1 实现关键发现提炼
+    - 实现 extract_key_findings 函数
+    - 从所有分析结果中提炼关键发现
+    - 识别最重要的异常和趋势
+    - 排序和优先级排列
+    - _需求：FR-6.1_
+  
+  - [x] 14.2 实现报告结构组织
+    - 实现 organize_report_structure 函数
+    - 根据分析内容组织报告结构
+    - 如果有模板，参考模板结构
+    - 如果没有模板，生成合理的结构
+    - _需求：FR-6.2_
+  
+  - [x] 14.3 实现 AI 驱动的报告生成
+    - 实现 generate_report 函数
+    - 调用 LLM 生成报告内容
+    - 包含执行摘要、详细分析、结论和建议
+    - 嵌入图表和可视化
+    - 格式化为 Markdown
+    - _需求：FR-6.1, FR-6.2, FR-6.3_
+  
+  - [x] 14.4 实现报告追溯性
+    - 确保报告中的所有发现都能追溯到分析结果
+    - 说明哪些分析被跳过及原因
+    - _需求：FR-6.1_
+  
+  - [x] 14.5 编写属性测试：报告生成
+    - **属性 16：报告结构完整性**
+    - **属性 17：报告内容追溯性**
+    - **验证需求：场景3验收.3, .4, 场景4验收.4, FR-6.1, FR-6.2**
+  
+  - [x] 14.6 编写单元测试
+    - 测试报告结构生成
+    - 测试模板结构遵循
+    - 测试跳过分析的说明
+
+- [x] 15. 实现错误处理机制
+  - [x] 15.1 实现数据加载错误处理
+    - 实现 load_data_with_retry 函数
+    - 支持多种编码尝试
+    - 处理文件过大的情况（采样）
+    - 处理格式错误
+    - _需求：NFR-2.1_
+  
+  - [x] 15.2 实现 AI 调用错误处理
+    - 实现 call_llm_with_fallback 函数
+    - 实现重试机制（指数退避）
+    - 实现降级策略（规则方法）
+    - _需求：NFR-2.1_
+  
+  - [x] 15.3 实现工具执行错误处理
+    - 实现 execute_tool_safely 函数
+    - 验证工具参数
+    - 捕获执行异常
+    - 返回错误信息而不是崩溃
+    - _需求：NFR-2.1_
+  
+  - [x] 15.4 实现任务执行错误处理
+    - 实现 execute_task_with_recovery 函数
+    - 检查依赖任务状态
+    - 处理依赖失败的情况
+    - 单个任务失败不影响整体流程
+    - _需求：NFR-2.1_
+  
+  - [x] 15.5 编写单元测试
+    - 测试各种错误场景
+    - 测试重试机制
+    - 测试降级策略
+    - 测试错误恢复
+
+
+- [x] 16. 实现主流程编排
+  - [x] 16.1 实现完整分析流程
+    - 实现 run_analysis 主函数
+    - 编排五个阶段的执行顺序
+    - 处理阶段之间的数据传递
+    - 实现进度显示
+    - _需求：所有功能需求_
+  
+  - [x] 16.2 实现命令行接口
+    - 实现 CLI 参数解析
+    - 支持指定数据文件
+    - 支持指定用户需求
+    - 支持指定模板文件
+    - 支持指定输出目录
+    - _需求：NFR-3.1_
+  
+  - [x] 16.3 实现日志和可观察性
+    - 配置日志系统
+    - 记录每个阶段的执行状态
+    - 显示 AI 的思考过程
+    - 记录错误和警告
+    - _需求：NFR-3.2_
+  
+  - [x] 16.4 编写集成测试
+    - 测试端到端分析流程
+    - 测试基于模板的分析
+    - 测试错误恢复流程
+
+- [x] 17. 实现配置和环境管理
+  - [x] 17.1 创建配置文件
+    - 定义 LLM API 配置
+    - 定义性能参数（超时、重试次数）
+    - 定义输出路径配置
+    - _需求：约束条件5.1_
+  
+  - [x] 17.2 实现环境变量支持
+    - 支持从环境变量读取 API 密钥
+    - 支持配置文件覆盖
+    - _需求：约束条件5.1_
+  
+  - [x] 17.3 编写单元测试
+    - 测试配置加载
+    - 测试环境变量读取
+
+- [x] 18. 检查点 - 确保所有测试通过
+  - 确保所有测试通过，如有问题请询问用户
+
+
+- [x] 19. 创建测试数据和示例
+  - [x] 19.1 创建测试数据集
+    - 创建工单数据示例（ticket_sample.csv）
+    - 创建销售数据示例（sales_sample.csv）
+    - 创建用户数据示例（user_sample.csv）
+    - 创建包含异常的数据集
+    - _需求：验收标准_
+  
+  - [x] 19.2 创建分析模板
+    - 创建工单分析模板（ticket_analysis.md）
+    - 创建问题分析模板（problem_analysis.md）
+    - 创建基于数据特征的分析模板（data_analysis.md）
+    - _需求：场景3验收_
+  
+  - [x] 19.3 编写示例脚本
+    - 创建完全自主分析示例
+    - 创建指定需求分析示例
+    - 创建基于模板分析示例
+
+- [x] 20. 编写文档
+  - [x] 20.1 编写 README
+    - 项目介绍
+    - 安装说明
+    - 使用示例
+    - 配置说明
+    - _需求：NFR-3.1_
+  
+  - [x] 20.2 编写 API 文档
+    - 核心类和函数的文档字符串
+    - 工具接口文档
+    - 配置参数文档
+    - _需求：NFR-3.1_
+  
+  - [x] 20.3 编写开发者指南
+    - 如何添加新工具
+    - 如何扩展功能
+    - 架构说明
+    - _需求：NFR-4.1_
+
+- [x] 21. 性能优化和验证
+  - [x] 21.1 运行性能测试
+    - 测试数据理解阶段性能（< 30秒）
+    - 测试完整分析流程性能（< 30分钟）
+    - 测试大数据集处理（100万行）
+    - _需求：NFR-1.1, NFR-1.2_
+  
+  - [x] 21.2 优化性能瓶颈
+    - 优化数据加载
+    - 优化 AI 调用（批处理、缓存）
+    - 优化工具执行
+    - _需求：NFR-1.1_
+  
+  - [x] 21.3 编写性能测试
+    - 测试各阶段的性能指标
+    - 测试内存使用
+
+- [x] 22. 最终检查点 - 完整系统验证
+  - 运行所有测试套件
+  - 验证所有验收标准
+  - 运行端到端示例
+  - 确保所有测试通过，如有问题请询问用户
+
+
+## 注意事项
+
+- 所有任务都是必需的，确保从一开始就有完整的测试覆盖
+- 每个任务都引用了具体的需求以便追溯
+- 检查点确保增量验证
+- 属性测试验证通用正确性属性
+- 单元测试验证特定示例和边缘情况
+- 所有属性测试应使用 hypothesis 库，最少运行 100 次迭代
+- 每个属性测试必须包含注释标签：`# Feature: true-ai-agent, Property {number}: {property_text}`
+
+## 实施顺序说明
+
+1. **阶段1（任务1-5）**：搭建基础设施，实现工具系统
+2. **阶段2（任务6-9）**：实现数据理解和需求理解引擎
+3. **阶段3（任务10-13）**：实现分析规划和任务执行引擎
+4. **阶段4（任务14-15）**：实现报告生成和错误处理
+5. **阶段5（任务16-18）**：集成和主流程编排
+6. **阶段6（任务19-22）**：测试数据、文档和性能优化
+
+每个阶段都有检查点，确保在继续之前验证功能正确性。
+
+---
+
+**版本**: v1.0.0  
+**日期**: 2026-03-06  
+**状态**: 任务计划完成

LICENSE

@@ -1,21 +0,0 @@
-MIT License
-
-Copyright (c) 2025 Data Analysis Agent Team
-
-Permission is hereby granted, free of charge, to any person obtaining a copy
-of this software and associated documentation files (the "Software"), to deal
-in the Software without restriction, including without limitation the rights
-to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
-copies of the Software, and to permit persons to whom the Software is
-furnished to do so, subject to the following conditions:
-
-The above copyright notice and this permission notice shall be included in all
-copies or substantial portions of the Software.
-
-THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
-IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
-FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
-AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
-LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
-OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
-SOFTWARE.

README.md

@@ -1,357 +1,213 @@
-# 数据分析智能体 (Data Analysis Agent)
+# AI-Driven Data Analysis Framework
 
-🤖 **基于LLM的智能数据分析代理**
+全自动 AI 数据分析框架。给一个 CSV 文件，AI 自主完成从数据理解到报告生成的全流程。
 
-[![Python Version](https://img.shields.io/badge/python-3.8%2B-blue.svg)](https://python.org)
+## 核心理念
-[![License](https://img.shields.io/badge/license-MIT-green.svg)](LICENSE)
-[![OpenAI](https://img.shields.io/badge/LLM-OpenAI%20Compatible-orange.svg)](https://openai.com)
 
-## 📋 项目简介
+**框架只提供引擎和工具，AI 在运行时做所有决策。**
 
-![alt text](assets/images/40d04b1dc21848cf9eeac4b50551f2a1.png)
+- 没有硬编码的列名规则、数据类型判断或分析策略
-![alt text](assets/images/d24d6dd97279a27fd8c9d652bac1fdb2.png)
+- AI 只能看到元数据（表头、统计摘要、样本值），永远不接触原始数据行
-数据分析智能体是一个功能强大的Python工具，它结合了大语言模型(LLM)的理解能力和Python数据分析库的计算能力，能够：
+- 对任意 CSV 文件自动适配，无需修改代码
 
-- 🎯 **自然语言分析**：接受用户的自然语言需求，自动生成专业的数据分析代码
+## 工作流程
-- 📊 **智能可视化**：自动生成高质量的图表，支持中文显示，输出到专用目录
-- 🔄 **迭代优化**：基于执行结果自动调整分析策略，持续优化分析质量
-- 📝 **报告生成**：自动生成包含图表和分析结论的专业报告(Markdown + Word)
-- 🛡️ **安全执行**：在受限的环境中安全执行代码，支持常用的数据分析库
-
-## 🏗️ 项目架构
 
 ```
-data_analysis_agent/
+CSV 文件
-├── 📁 config/                 # 配置管理
+  │
-│   ├── __init__.py
+  ▼
-│   └── llm_config.py          # LLM配置(API密钥、模型等)
+[1] AI 数据理解 ─── AI 看元数据，推断数据类型、关键字段、质量评分
-├── 📁 utils/                  # 核心工具模块
+  │
-│   ├── code_executor.py       # 安全的代码执行器
+  ▼
-│   ├── llm_helper.py          # LLM调用辅助类
+[2] 需求理解 ─────── 解析自然语言需求 + 可选模板，生成分析目标
-│   ├── fallback_openai_client.py  # 支持故障转移的OpenAI客户端
+  │
-│   ├── extract_code.py        # 代码提取工具
+  ▼
-│   ├── format_execution_result.py  # 执行结果格式化
+[3] AI 分析规划 ──── AI 根据数据特征和工具库，生成具体任务列表
-│   └── create_session_dir.py  # 会话目录管理
+  │
-├── 📄 data_analysis_agent.py  # 主智能体类
+  ▼
-├── 📄 prompts.py              # 系统提示词模板
+[4] AI 任务执行 ──── ReAct 模式：AI 选工具 → 调用 → 观察结果 → 决定下一步
-├── 📄 main.py                 # 使用示例
+  │
-├── 📄 requirements.txt        # 项目依赖
+  ▼
-├── 📄 .env                    # 环境变量配置
+[5] 报告生成 ─────── AI 生成图文结合的 Markdown 报告
-└── 📁 outputs/                # 分析结果输出目录
-    └── session_[时间戳]/        # 每次分析的独立会话目录
-        ├── *.png             # 生成的图表
-        ├── 最终分析报告.md    # Markdown报告
-        └── 最终分析报告.docx  # Word报告
 ```
 
-## 📊 数据分析流程图
+## 快速开始
 
-使用Mermaid图表展示完整的数据分析流程：
+### 1. 安装依赖
-
-```mermaid
-graph TD
-    A[用户输入自然语言需求] --> B[初始化智能体]
-    B --> C[创建专用会话目录]
-    C --> D[LLM理解需求并生成代码]
-    D --> E[安全代码执行器执行]
-    E --> F{执行是否成功?}
-    F -->|失败| G[错误分析与修复]
-    G --> D
-    F -->|成功| H[结果格式化与存储]
-    H --> I{是否需要更多分析?}
-    I -->|是| J[基于当前结果继续分析]
-    J --> D
-    I -->|否| K[收集所有图表]
-    K --> L[生成最终分析报告]
-    L --> M[输出Markdown和Word报告]
-    M --> N[分析完成]
-
-    style A fill:#e1f5fe
-    style N fill:#c8e6c9
-    style F fill:#fff3e0
-    style I fill:#fff3e0
-```
-
-## 🔄 智能体工作流程
-
-```mermaid
-sequenceDiagram
-    participant User as 用户
-    participant Agent as 数据分析智能体
-    participant LLM as 语言模型
-    participant Executor as 代码执行器
-    participant Storage as 文件存储
-
-    User->>Agent: 提供数据文件和分析需求
-    Agent->>Storage: 创建专用会话目录
-    
-    loop 多轮分析循环
-        Agent->>LLM: 发送分析需求和上下文
-        LLM->>Agent: 返回分析代码和推理
-        Agent->>Executor: 执行Python代码
-        Executor->>Storage: 保存图表文件
-        Executor->>Agent: 返回执行结果
-        
-        alt 需要继续分析
-            Agent->>LLM: 基于结果继续分析
-        else 分析完成
-            Agent->>LLM: 生成最终报告
-            LLM->>Agent: 返回分析报告
-            Agent->>Storage: 保存报告文件
-        end
-    end
-    
-    Agent->>User: 返回完整分析结果
-```
-
-## ✨ 核心特性
-
-### 🧠 智能分析流程
-
-- **多阶段分析**：数据探索 → 清洗检查 → 分析可视化 → 图片收集 → 报告生成
-- **错误自愈**：自动检测并修复常见错误（编码、列名、数据类型等）
-- **上下文保持**：Notebook环境中变量和状态在分析过程中持续保持
-
-### 📋 多格式报告
-
-- **Markdown报告**：结构化的分析报告，包含图表引用
-- **Word文档**：专业的文档格式，便于分享和打印
-- **图片集成**：报告中自动引用生成的图表
-
-## 🚀 快速开始
-
-### 1. 环境准备
 
 ```bash
-# 克隆项目
-git clone  https://github.com/li-xiu-qi/data_analysis_agent.git
-
-cd data_analysis_agent
-
-# 安装依赖
 pip install -r requirements.txt
 ```
 
-### 2. 配置API密钥
+### 2. 配置环境变量
 
 创建 `.env` 文件：
 
+```env
+OPENAI_API_KEY=your-api-key
+OPENAI_BASE_URL=https://api.openai.com/v1
+OPENAI_MODEL=gpt-4
+```
+
+支持任何 OpenAI 兼容 API（如自定义 base_url）。
+
+### 3. 运行分析
+
 ```bash
-# OpenAI API配置
+# 最简用法 — AI 自动决定分析什么、怎么分析
-OPENAI_API_KEY=your_api_key_here
+python run_analysis_en.py --data your_data.csv
+
+# 指定分析需求
+python run_analysis_en.py --data sales.csv --requirement "分析各产品线的销售趋势和异常"
+
+# 使用报告模板
+python run_analysis_en.py --data tickets.csv --template templates/ticket_analysis.md
+
+# 指定输出目录
+python run_analysis_en.py --data data.csv --output my_output
+```
+
+### 4. 查看结果
+
+每次运行会在输出目录下创建带时间戳的子目录：
+
+```
+analysis_output/
+  └── run_20260309_143025/
+        ├── analysis_report.md    ← 图文结合的分析报告
+        └── charts/
+              ├── bar_chart.png
+              ├── pie_chart.png
+              └── ...
+```
+
+## 项目结构
+
+```
+├── run_analysis_en.py          # 主入口（5 阶段 pipeline）
+├── src/
+│   ├── config.py               # 配置管理（环境变量 / JSON / .env）
+│   ├── data_access.py          # 数据访问层（隐私保护，AI 不可见原始数据）
+│   ├── engines/
+│   │   ├── ai_data_understanding.py   # [阶段1] AI 数据理解
+│   │   ├── requirement_understanding.py # [阶段2] 需求解析
+│   │   ├── analysis_planning.py       # [阶段3] AI 分析规划
+│   │   ├── task_execution.py          # [阶段4] ReAct 任务执行
+│   │   └── report_generation.py       # [阶段5] 报告生成
+│   ├── tools/
+│   │   ├── base.py             # 工具抽象基类 + 注册表
+│   │   ├── tool_manager.py     # 工具筛选（按数据特征过滤）
+│   │   ├── query_tools.py      # 查询工具（分布、计数、时间序列、相关性）
+│   │   ├── stats_tools.py      # 统计工具（描述统计、分组聚合、异常检测、趋势）
+│   │   └── viz_tools.py        # 可视化工具（柱状图、折线图、饼图、热力图）
+│   └── models/                 # 数据模型
+│       ├── data_profile.py     # DataProfile, ColumnInfo
+│       ├── requirement_spec.py # RequirementSpec, AnalysisObjective
+│       ├── analysis_plan.py    # AnalysisPlan, AnalysisTask
+│       └── analysis_result.py  # AnalysisResult
+├── templates/                  # 报告模板（可选）
+├── test_data/                  # 示例数据
+└── examples/                   # 使用示例
+```
+
+## 内置工具
+
+框架提供 12 个分析工具，AI 在运行时自主选择和组合：
+
+| 类别 | 工具 | 说明 |
+|------|------|------|
+| 查询 | `get_column_distribution` | 列分布统计（值计数、百分比） |
+| 查询 | `get_value_counts` | 唯一值计数 |
+| 查询 | `get_time_series` | 时间序列聚合 |
+| 查询 | `get_correlation` | 相关性矩阵 |
+| 统计 | `calculate_statistics` | 描述性统计（均值、中位数、偏度等） |
+| 统计 | `perform_groupby` | 分组聚合 |
+| 统计 | `detect_outliers` | 异常值检测（IQR / Z-score） |
+| 统计 | `calculate_trend` | 趋势分析（线性回归） |
+| 可视化 | `create_bar_chart` | 柱状图 |
+| 可视化 | `create_line_chart` | 折线图 |
+| 可视化 | `create_pie_chart` | 饼图 |
+| 可视化 | `create_heatmap` | 热力图 |
+
+## 隐私保护
+
+数据访问层（`DataAccessLayer`）是核心安全边界：
+
+- AI **永远看不到**原始数据行
+- AI 只能通过工具获取**聚合结果**（统计值、分布、图表）
+- 数据画像只包含元数据：列名、数据类型、缺失率、唯一值数、样本值（最多 5 个）
+- 工具返回结果自动截断（最多 100 行），防止数据泄露
+
+## 配置
+
+### 环境变量（推荐）
+
+通过 `.env` 文件或系统环境变量配置：
+
+```env
+# LLM 配置（必填）
+OPENAI_API_KEY=sk-xxx
 OPENAI_BASE_URL=https://api.openai.com/v1
 OPENAI_MODEL=gpt-4
 
-# 或者使用兼容的API（如火山引擎）
+# 可选配置
-# OPENAI_BASE_URL=https://ark.cn-beijing.volces.com/api/v3
+LLM_TEMPERATURE=0.7
-# OPENAI_MODEL=deepseek-v3-250324
+LLM_TIMEOUT=120
+AGENT_MAX_ROUNDS=20
+LOG_LEVEL=INFO
 ```
 
-### 3. 基本使用
+### JSON 配置文件
+
+也可以使用 `config.example.json` 作为模板创建配置文件。
+
+## 报告模板
+
+可以提供 Markdown 模板来控制报告结构。模板中的占位符会被 AI 用实际分析数据填充。
+
+参考 `templates/` 目录下的示例模板。
+
+## 扩展工具
+
+实现 `AnalysisTool` 抽象类并注册即可：
 
 ```python
-from data_analysis_agent import DataAnalysisAgent
+from src.tools.base import AnalysisTool, register_tool
-from config.llm_config import LLMConfig
 
-# 初始化智能体
+class MyCustomTool(AnalysisTool):
-llm_config = LLMConfig()
+    @property
-agent = DataAnalysisAgent(llm_config)
+    def name(self) -> str:
+        return "my_custom_tool"
 
-# 开始分析
+    @property
-files = ["your_data.csv"]
+    def description(self) -> str:
-report = agent.analyze(
+        return "工具描述（AI 会看到这段文字来决定是否使用）"
-    user_input="分析销售数据，生成趋势图表和关键指标",
-    files=files
-)
 
-print(report)
+    @property
-```
+    def parameters(self) -> dict:
-
+        return {
-```python
+            "type": "object",
-# 自定义配置
+            "properties": {
-agent = DataAnalysisAgent(
+                "column": {"type": "string", "description": "列名"}
-    llm_config=llm_config,
+            },
-    output_dir="custom_outputs",  # 自定义输出目录
+            "required": ["column"]
-    max_rounds=30                 # 增加最大分析轮数
-)
-
-# 使用便捷函数
-from data_analysis_agent import quick_analysis
-
-report = quick_analysis(
-    query="分析用户行为数据，重点关注转化率",
-    files=["user_behavior.csv"],
-    max_rounds=15
-)
-```
-
-## 📊 使用示例
-
-以下是分析贵州茅台财务数据的完整示例：
-
-```python
-# 示例：茅台财务分析
-files = ["贵州茅台利润表.csv"]
-report = agent.analyze(
-    user_input="基于贵州茅台的数据，输出五个重要的统计指标，并绘制相关图表。最后生成汇报给我。",
-    files=files
-)
-```
-
-**生成的分析内容包括：**
-
-- 📈 营业总收入趋势图
-- 💰 净利润率变化分析
-- 📊 利润构成分析图表
-- 💵 每股收益变化趋势
-- 📋 营业成本占比分析
-- 📄 综合分析报告
-
-## 🎨 流程可视化
-
-### 📊 分析过程状态图
-
-```mermaid
-stateDiagram-v2
-    [*] --> 数据加载
-    数据加载 --> 数据探索: 成功加载
-    数据加载 --> 编码修复: 编码错误
-    编码修复 --> 数据探索: 修复完成
-    
-    数据探索 --> 数据清洗: 探索完成
-    数据清洗 --> 统计分析: 清洗完成
-    统计分析 --> 可视化生成: 分析完成
-    
-    可视化生成 --> 图表保存: 图表生成
-    图表保存 --> 结果评估: 保存完成
-    
-    结果评估 --> 继续分析: 需要更多分析
-    结果评估 --> 报告生成: 分析充分
-    继续分析 --> 统计分析
-    
-    报告生成 --> [*]: 完成
-```
-
-## 🔧 配置选项
-
-### LLM配置
-
-```python
-@dataclass
-class LLMConfig:
-    provider: str = "openai"
-    api_key: str = os.environ.get("OPENAI_API_KEY", "")
-    base_url: str = os.environ.get("OPENAI_BASE_URL", "https://api.openai.com/v1")
-    model: str = os.environ.get("OPENAI_MODEL", "gpt-4")
-    max_tokens: int = 4000
-    temperature: float = 0.1
-```
-
-### 执行器配置
-
-```python
-# 允许的库列表
-ALLOWED_IMPORTS = {
-    'pandas', 'numpy', 'matplotlib', 'duckdb', 
-    'scipy', 'sklearn', 'plotly', 'requests',
-    'os', 'json', 'datetime', 're', 'pathlib'
         }
+
+    def execute(self, data, **kwargs) -> dict:
+        # 实现分析逻辑，返回聚合结果
+        return {"result": "..."}
+
+    def is_applicable(self, data_profile) -> bool:
+        return True
+
+register_tool(MyCustomTool())
 ```
 
-## 🎯 最佳实践
+注册后，AI 会自动在规划和执行阶段发现并使用新工具。
 
-### 1. 数据准备
+## 依赖
 
-- ✅ 使用CSV格式，支持UTF-8/GBK编码
+- Python 3.10+
-- ✅ 确保列名清晰、无特殊字符
+- pandas, numpy, matplotlib, scipy, scikit-learn
-- ✅ 数据量适中（建议<100MB）
+- openai（兼容任何 OpenAI API 格式的 LLM 服务）
-
+- python-dotenv
-### 2. 查询编写
-
-- ✅ 使用清晰的中文描述分析需求
-- ✅ 指定想要的图表类型和关键指标
-- ✅ 明确分析的目标和重点
-
-### 3. 结果解读
-
-- ✅ 检查生成的图表是否符合预期
-- ✅ 阅读分析报告中的关键发现
-- ✅ 根据需要调整查询重新分析
-
-## 🚨 注意事项
-
-### 安全限制
-
-- 🔒 仅支持预定义的数据分析库
-- 🔒 不允许文件系统操作（除图片保存）
-- 🔒 不支持网络请求（除LLM调用）
-
-### 性能考虑
-
-- ⚡ 大数据集可能导致分析时间较长
-- ⚡ 复杂分析任务可能需要多轮交互
-- ⚡ API调用频率受到模型限制
-
-### 兼容性
-
-- 🐍 Python 3.8+
-- 📊 支持pandas兼容的数据格式
-- 🖼️ 需要matplotlib中文字体支持
-
-## 🐛 故障排除
-
-### 常见问题
-
-**Q: 图表中文显示为方框？**
-A: 系统会自动检测并使用可用的中文字体（macOS: Hiragino Sans GB, Songti SC等；Windows: SimHei等）。
-
-**Q: API调用失败？**
-A: 检查`.env`文件中的API密钥和端点配置，确保网络连接正常。
-
-**Q: 数据加载错误？**
-A: 检查文件路径和编码格式，支持UTF-8、GBK等常见编码。
-
-**Q: 分析结果不准确？**
-A: 尝试提供更详细的分析需求，或检查原始数据质量。
-
-**Q: Mermaid流程图无法正常显示？**
-A: 确保在支持Mermaid的环境中查看（如GitHub、Typora、VS Code预览等）。如果在本地查看，推荐使用支持Mermaid的Markdown编辑器。
-
-**Q: 如何自定义流程图样式？**
-A: 可以在Mermaid代码块中添加样式定义，或使用不同的图表类型（graph、flowchart、sequenceDiagram等）来满足不同的展示需求。
-
-### 错误日志
-
-分析过程中的错误信息会保存在会话目录中，便于调试和优化。
-
-## 🤝 贡献指南
-
-欢迎贡献代码和改进建议！
-
-1. Fork 项目
-2. 创建功能分支
-3. 提交更改
-4. 推送到分支
-5. 创建Pull Request
-
-## 📄 许可证
-
-本项目基于MIT许可证开源。详见[LICENSE](LICENSE)文件。
-
-## 🔄 更新日志
-
-### v1.0.0
-
-- ✨ 初始版本发布
-- 🎯 支持自然语言数据分析
-- 📊 集成matplotlib图表生成
-- 📝 自动报告生成功能
-- 🔒 安全的代码执行环境
-
----
-
-<div align="center">
-
-**🚀 让数据分析变得更智能、更简单！**
-
-</div>

__init__.py

@@ -1,54 +0,0 @@
-# -*- coding: utf-8 -*-
-"""
-Data Analysis Agent Package
-
-一个基于LLM的智能数据分析代理，专门为Jupyter Notebook环境设计。
-"""
-
-from .core.notebook_agent import NotebookAgent
-from .config.llm_config import LLMConfig
-from .utils.code_executor import CodeExecutor
-
-__version__ = "1.0.0"
-__author__ = "Data Analysis Agent Team"
-
-# 主要导出类
-__all__ = [
-    "NotebookAgent",
-    "LLMConfig", 
-    "CodeExecutor",
-]
-
-# 便捷函数
-def create_agent(config=None, output_dir="outputs", max_rounds=20, session_dir=None):
-    """
-    创建一个数据分析智能体实例
-    
-    Args:
-        config: LLM配置，如果为None则使用默认配置
-        output_dir: 输出目录
-        max_rounds: 最大分析轮数
-        session_dir: 指定会话目录（可选）
-        
-    Returns:
-        NotebookAgent: 智能体实例
-    """
-    if config is None:
-        config = LLMConfig()
-    return NotebookAgent(config=config, output_dir=output_dir, max_rounds=max_rounds, session_dir=session_dir)
-
-def quick_analysis(query, files=None, output_dir="outputs", max_rounds=10):
-    """
-    快速数据分析函数
-    
-    Args:
-        query: 分析需求（自然语言）
-        files: 数据文件路径列表
-        output_dir: 输出目录
-        max_rounds: 最大分析轮数
-        
-    Returns:
-        dict: 分析结果
-    """
-    agent = create_agent(output_dir=output_dir, max_rounds=max_rounds)
-    return agent.analyze(query, files)