首页 > 人工智能 > 人工智能 > 扣子编程实现数据分析专家Agent
本文节选自清华社图书《扣子编程从一句话到产品上线:零门槛AI心流开发》,获得出版社和作者授权发布,案例实现步骤完整可运行可复用。
本章以一个完整的工程案例,演示如何在扣子编程平台上从零构建一个具有“动态 SQL 查询、 Python 可视化、 Markdown 报告生成”三大核心能力的数据分析智能体( Agent )。我们将会将沿着真实项目的开发时间线,依次理解需求分析、能力拆解、提示词设计、工具实现、模型编排与调优验证的全过程。
学习目标:( 1 )掌握面向数据分析场景的 Agent 能力设计方法;( 2 )理解提示词工程中"角色—能力—数据源—约束—格式"五要素的设计原则;( 3 )熟悉扣子编程平台中集成组件( Integration )与工具( Tool )的协作机制;( 4 )具备将本案例迁移到财务、运营、人力等多业务域的能力。
本章重点:提示词的五决策点模型、 Python 可视化中文渲染的工程解法,以及 Agent 多工具协同的编排思路。
周一上午九点,某互联网公司的运营经理把一份电商销售订单的 CSV 文件发给数据分析师,随信息附上一句:帮我看看上季度销售情况,最好有图有分析,下午部门例会要汇报。这个场景对数据岗位的读者而言几乎每日都在重演。随之而来的却是一套高度重复且难以沉淀的工作流:分析师先要把 CSV 导入数据库或用 Pandas 加载,再按不同维度撰写 SQL 查询或 DataFrame 代码,而后用 Matplotlib、 Seaborn 等工具绘图,还要单独处理中文字体不显示的历史遗留问题,最后将数字、图表与结论组织成一份结构清晰、易于汇报的报告。
整条链路的每一个节点都有成熟的工具支持,但“把这些节点串起来”的工作,始终压在分析师个体的经验与时间上。更现实的困境在于:业务方不懂 SQL,需求只能口头迭代,来回确认; Python 绘图的中文乱码几乎也是每个初学者的必经之坑;报告文笔与结构高度依赖个人习惯,结果参差不齐;一旦数据更新或分析维度调整,前面的工作几乎要完整重做一遍。
在大模型出现之前,行业内应对上述需求主要有三条路径。第一条路径是手工分析,即由业务方或分析师借助 Excel、 Python 完成从清洗到出图的全过程。这一路径灵活度最高,但重复劳动显著,分析成果难以沉淀为组织资产。第二条路径是自助式 BI 工具,代表产品包括 Tableau、 Power BI、帆软 FineBI 等。它们通过拖拽交互降低了业务人员的门槛,但使用者仍然需要理解多维分析的基本概念;更关键的是,其图表模板化程度较高,对于非标的诊断式分析(例如“为什么本月西南地区销售额环比下降”)仍然无能为力。第三条路径是自研报表系统,企业投入研发资源搭建定制化看板。这条路交付质量可控,但开发周期动辄以月计,面对业务的快速变化极易变为包袱。
三条路径共同的结构性问题在于:它们都是“工具驱动”的,而不是“意图驱动”的。用户必须先学会工具,再表达意图;而扣子编程天然适合直接接收自然语言意图,并将其转译为工具调用。这一转变构成了本章讨论的起点。
以大语言模型为核心的扣子编程 Agent架构,提供了应对上述问题的第四条路径。在这一范式下,用户以自然语言表达分析意图, Agent负责自主判断查询逻辑、选择图表类型、组织报告结构,并通过外部工具(如 SQL 引擎、绘图库、对象存储)完成实际计算与交付。与前述三条路径相比,这条新路径带来了三个层面的价值提升。
首先是交付效率。从需求到报告的周期,可以从小时级压缩到分钟级。其次是能力下放。不会写 SQL 的业务同事,也可以直接问出一个具备分析深度的问题; Agent 会补齐查询语法、聚合逻辑和图表选择的专业细节。最后是资产沉淀。每一次分析所涉及的提示词设计、工具编排、输出格式,都可以成为可复用、可迁移的组织资产,而非某位员工的个人技能。
数据分析智能体的价值并不局限于电商。在实践中,只要存在“结构化数据+多维分析+报告交付”的复合需求,这一范式就具备适用性。典型应用场景包括:电商运营领域的日销分析、品类结构、地域分布与促销效果复盘;财务领域的月度收入结构、成本波动与预算对比;产品领域的用户留存、转化漏斗与渠道质量分析;供应链领域的库存周转、缺货预警与 SKU贡献度分析;以及人力资源领域的招聘漏斗、员工结构与离职趋势分析。本章选取电商销售作为示范案例,原因在于其数据维度丰富(时间、地域、品类、金额俱全),足以承载 Agent 在“看数—做表—写报告”全链路上的能力演示。
在进入提示词编写和代码实现之前,需要先对目标 Agent应具备的核心能力进行系统性拆解。能力拆解的意义在于:它决定了后续需要挂载哪些工具、选择何种模型、如何设计系统提示词。
数据分析的起点是查询。但本项目对查询能力的要求并非“执行预先写好的 SQL”,而是根据用户自然语言需求动态生成并执行 SQL。这一能力的实现背后,要求 Agent 能够理解表结构(字段名、数据类型、语义)、掌握 SQL 语法(特别是聚合、分组、窗口函数与时间函数的使用),并支持多轮追问——例如用户先问整体销售额,继而追问“按地区拆一下”或“只看 2025 年”。多轮追问的背景保持,依赖 Agent 的短期记忆机制。
中文场景做 Python 可视化,必然绕不开一个老问题: matplotlib 在默认配置下无法渲染中文字符,所有中文标签会显示为方框。一个真正可用的可视化能力,必须同时满足以下四项要求:支持常见图表类型(至少包括折线图、柱状图、饼图、散点图与直方图);内置中文字体降级方案(系统中没有 SimHei 就自动切换到 Microsoft YaHei、 PingFang 或 Noto Sans CJK);生成的图像需要被最终用户访问,这意味着需要将图像上传到对象存储并获取可访问 URL;返回形式必须是 Markdown 图片语法,以便前端渲染与复制粘贴。
【注意】 中文字体降级方案是工程细节,但对中文场景用户体验至关重要。在 matplotlib 中,推荐在绘图前通过 matplotlib.font_manager 检索系统可用字体,按优先级匹配一个列表(例如 SimHei → Microsoft YaHei → PingFang SC → Noto Sans CJK SC ),确保跨平台可用。
在得到数据与图表之后, Agent 需要将其组织为一份结构清晰、结论明确的分析报告。一份专业的分析报告通常包含四个模块:数据概览(时间范围、数据量、覆盖维度)、关键发现(以趋势、占比、异常点三类事实为主)、数据可视化(与关键发现一一对应的图表及其简评)、结论与建议(可执行的业务 action 项)。这一结构并非拍脑袋得出,而是从大量真实分析场景中提炼的最小可用模板。 Agent 通过 Markdown 语法产出报告后,用户可以直接将其粘贴到飞书、 Notion、公众号后台等任意支持 Markdown 的载体。
以上三项能力单独实现的难度并不高。真正的挑战在于编排: Agent 需要自主决定何时查询 SQL、何时绘图、何时撰写段落;需要判断某个发现是值得配图还是直接写入文字即可;需要处理多轮对话中的上下文继承。这种编排能力主要由两样东西共同决定:一是选用的大模型本身的推理规划能力,二是系统提示词( System Prompt)中对工作流程的约束。提示词的质量,几乎直接等价于 Agent 的质量上限。
本节以笔者发给扣子编程的原始提示词为例,抽取其中可复用的设计原则。这段提示词虽然只有寥寥数行,其背后却隐含五个关键的设计决策。提示词页面如图 7-1所示。
图 7-1 提示词页面
原始提示词如下:
帮我做一个数据分析专家 Agent,能够看数、做表、产出数据分析
报告。核心能力:
1. 能够动态写 SQL 查询数据库中的数据。数据库中的原始数据,
使用我上传的 csv 文件。
2. 使用 python 帮助用户作图,图片需要确保中文能够正确渲染,
生成图片后,需要上传对象存储,最终在 markdown 中以
[ 图片链接] 形式返回给用户。
3. 使用 markdown 形式产出数据分析报告。
提示词开头写的是“数据分析专家 Agent”,而非“一个能执行 SQL 的程序”。这句看似平常的定位,向大模型传达了两层信息:其一是身份(你在扮演一名专业分析师),其二是场景(你服务的是数据分析工作,不是通用对话)。有了这个角色锚点,后续的系统提示词生成、模型推理时的措辞选择、输出内容的组织方式,都会自动向“专业、严谨、结构化”靠拢。反之,如果一开始只写“帮我查数据”,大模型就容易把任务当作随意的问答,输出质量显著下降。
提示词中使用了三个行为动词:看数、做表、产出报告。这三个动词分别对应三种完全不同的工具调用模式,如表 7-1 所示。
表 7-1 能力动词与工具映射关系
|
动词 |
背后能力 |
对应工具 |
|
看数 |
SQL 查询与聚合 |
数据库连接+ exec_sql 工具 |
|
做表 |
Python 数据可视化 |
matplotlib +对象存储上传 |
|
产出报告 |
自然语言组织与结构化输出 |
大模型自身(无需外部工具) |
将能力拆解为动词的价值有二:其一,大模型更容易从每个动词联想到具体工具,减少漏挂工具的风险;其二,后续测试环节可以按动词逐项验证,例如单独测试“看数”的 SQL 生成质量、“做表”的中文渲染效果、“产出报告”的结构完整性。动词化的拆解,直接提升了后续调试与验收的可观测性。
提示词中强调“数据库中的原始数据,使用我上传的 CSV 文件”。这句话决定了整条数据链路。如果改为“连接你们公司数据库”,大模型就会去追问数据库连接串、权限信息、网络可达性等一系列基础设施细节;而明确为 CSV 后, Agent 就知道数据需要先被导入一张临时表,再由 SQL 工具针对该表进行查询。数据来源的前置声明,避免了大量不必要的澄清问答。
“图片需要确保中文能够正确渲染”一句,表面上是在描述一个功能需求,实质上是在处理一个容易被大模型忽略的工程细节。在实践中发现,如果不在提示词里提前提出这一约束,大模型默认生成的 matplotlib 代码中,中文图表标题与坐标轴标签常常会变成方框。主动声明这一约束,相当于告诉模型“请为中文字体配置留出专门的代码段”,从而避免了事后返工。可以推广的规律是:所有已知容易出错的工程细节,都应当在提示词里前置声明,而不是期待模型默认“考虑周全”。
最后一句“以 markdown 形式产出数据分析报告”与“上传对象存储、以 [图片链接] 形式返回”共同构成了对 Agent 输出接口的契约式定义。输出格式的明确,直接决定了: Agent 输出能否被前端渲染、能否被用户复制到其他平台、能否与上下游系统对接。格式是能力落地的最后一公里,必须在提示词中清晰约定。
【提示】 以上五个决策点——角色、能力、数据源、关键约束、输出格式——可以抽象为面向 Agent 的提示词设计五要素模型。读者在为任何业务场景设计 Agent 时,都可以用这五要素作为检查清单,确保提示词的设计决策是完整的。
扣子编程是面向AI原生应用的编程工作台。与通用代码生成工具不同,扣子编程的工作范式有两个突出特征:其一是集成( Integration)优先,平台预置了数据库、对象存储、消息队列、大模型等常用基础设施的集成组件,开发者通过查询集成文档即可获得标准化的调用方式;其二是工具( Tool)中心,所有外部能力最终都以工具的形式挂载到 Agent 上,由大模型按需调用。这种范式使得开发者能够把更多精力投入在业务逻辑与提示词设计上,而非基础设施搭建。
在接收到本项目的需求描述后,扣子编程并未立刻开始写代码,而是先并行查询了三个集成文档: PostgreSQL 数据库集成、 S3 对象存储集成与大语言模型集成。如图 7-2所示。
图7-2 三个集成构建页面
这一动作背后的工程思路是——先判断平台是否已有现成轮子,再决定是否自研。查询结果识别出三项关键事实:数据库集成中已存在一个系统工具 exec_sql,可直接执行原始 SQL;对象存储集成提供 S3SyncStorage 接口,支持文件上传与签名 URL 生成;大模型集成推荐使用 doubao-seed-1-8-251228 多模态模型,适配带有图表理解需求的数据分析场景。
【经验】 让 Agent 自主查集成文档,而不是凭训练记忆写代码,能显著降低“幻觉调用”的风险(即调用了不存在的 API 或参数)。这是 AI 原生编程工作台与普通代码助手的重要差异。
虽然平台已提供 exec_sql 系统工具,但按工程规范, Agent 的所有外部能力都应以工具( Tool)形式在 src/tools/ 目录下集中注册管理。因此,扣子编程在 src/tools/execute_sql_tool.py 下为 exec_sql 创建了一个薄封装。这个封装本身逻辑不复杂,核心作用是把系统工具正式挂载到 LangChain工具注册表中,使得 Agent在推理过程中可以发现并调用它。如图 7-3所示。
图 7-3 导入并封装数据库查询与图表生成工具
相比 SQL 工具,图表生成工具( src/tools/create_chart_tool.py)是本项目的技术核心,承担了三项关键职责:图表绘制、中文字体降级、图像上传。下面以伪代码形式给出其核心实现片段。
# 中文字体降级链
CJK_FONTS = [
"SimHei", "Microsoft YaHei", "PingFang SC",
"Noto Sans CJK SC", "WenQuanYi Zen Hei", "Arial Unicode MS"
]
def set_cjk_font():
available = {f.name for f in fm.fontManager.ttflist}
for font in CJK_FONTS:
if font in available:
plt.rcParams["font.family"] = font
plt.rcParams["axes.unicode_minus"] = False
return font
raise RuntimeError(" 未发现可用的中文字体")
# 图表类型调度
def create_chart(chart_type, data, title, x_label=None, y_label=None):
set_cjk_font()
fig, ax = plt.subplots(figsize=(9, 5), dpi=120)
if chart_type == "line":
draw_line(ax, data)
elif chart_type == "bar":
draw_bar(ax, data)
elif chart_type == "pie":
draw_pie(ax, data)
# ... 散点图、直方图同理
ax.set_title(title)
if x_label: ax.set_xlabel(x_label)
if y_label: ax.set_ylabel(y_label)
# 保存到本地临时目录
local_path = f"/tmp/chart_{uuid4().hex}.png"
fig.savefig(local_path, bbox_inches="tight")
# 上传到对象存储并返回可访问 URL
url = s3.upload_file(local_path, bucket="charts")
return f""
该工具支持折线图、柱状图、饼图、散点图、直方图五种类型,能够覆盖绝大多数日常分析需求。返回值是 Markdown 图片语法字符串,可直接嵌入到报告段落中。
工具就绪后,需要编写 Agent主体并配置其运行参数,如图 7-4所示。
图 7-4 agent.python项目代码页面
扣子编程在 src/agents/agent.py 中实现了 build_agent 函数,并同步生成配置文件 config/agent_llm_config.json。关键配置项如表 7-2 所示。
表 7-2 数据分析 Agent 的关键配置
|
配置项 |
取值 |
设计理由 |
|
模型 |
doubao-seed-1-8-251228 |
多模态优化,能同时理解结构化表格与图像语义 |
|
温度 |
0.7 |
兼顾 SQL 生成的准确性与报告文笔的自然度 |
|
短期记忆 |
最近 20 轮对话 |
数据分析多轮追问频繁,过短会丢失上下文 |
|
工具列表 |
execute_sql + create_chart |
与两个自建工具一一对应,无冗余 |
系统提示词( System Prompt)的结构遵循四段式:角色定义、任务目标、能力描述、工作流程与输出规范。其中,工作流程段规定了 Agent 的标准行为序列——先探查表结构,再撰写 SQL,得到数据后根据分析主题决定是否绘图,最后组织成四段式 Markdown 报告。输出规范段则约束了报告必须包含“数据概览、关键发现、数据可视化、结论与建议”四个模块,这是从众多真实分析场景中总结出的最小可用结构。
项目开发过程中出现过两次典型问题,值得记录。
第一次是依赖缺失。初次运行时环境未安装 matplotlib,扣子编程检测到 ImportError 后自动执行了 pip install matplotlib,无需人工介入。这体现了 AI 原生编程工具的自闭环能力。如图 7-5所示。
图 7-5 matplotlib依赖包缺失自闭环
第二次是在图表工具初版代码中,色板的引用方式为 plt.cm.Set3(点号访问),运行时抛出 AttributeError。扣子编程分析堆栈后修改为 plt.cm.get_cmap("Set3") 的字符串形式,再次运行即通过。如图 7-6所示。
图 7-6 “错误捕获—自修复”闭环示意
这次问题揭示了两个经验:一是 Matplotlib 的 colormap API 在不同版本间有细微差异,直接属性访问并非总是可用;二是 AI 编程工具具备“错误反馈—自修复”的闭环能力,开发者不必手工介入每一个细节。
为了验证 Agent 的端到端能力,本项目专门构造了一份电商销售订单的 CSV 测试数据集。数据规模为 150 条订单,时间跨度从 2024 年 1 月至 2025 年 12 月,共 17 列字段,覆盖订单标识、时间、客户信息、地域三级、产品类别与名称、价格与数量、折扣、销售额、支付方式、渠道、销售员等维度。
字段设计思路可以概括为以下四点:时间维度(订单日期)用于验证月度、季度、年度聚合;地域三级下钻(地区 →省份 →城市)用于验证多级 GROUP BY;品类与客户等级维度用于验证多条件筛选与交叉分析;数值列(单价、数量、折扣、销售额)则用于验证 SUM、 AVG 等聚合函数。构造中文数据而非使用英文公开数据集,核心目的是打靶打到痛点 ——真实测试中文渲染与中文 SQL 字段名的处理能力。
图 7-7 测试数据集前 50 行预览
在将 CSV 上传到系统后,笔者仅向 Agent 发送了一句提示:请对这份电商销售数据做一份完整的分析报告。随后 Agent 依次自主完成了以下四个步骤。
第一步,表结构探查。 Agent 首先通过 exec_sql 查询了目标表的字段定义,确认 17 列字段的名称与类型后,才开始撰写业务查询。这一步虽不直接产出业务结果,却是保证后续 SQL 正确性的关键环节。
第二步,动态 SQL 查询,如图 7-8所示。 Agent 根据“完整分析”这一抽象需求,自行拆解为多个分析视角,并生成了若干条 SQL。以下列出其中三条具有代表性的查询。
图 7-8 exec_sql查询页面
SELECT
TO_CHAR( 订单日期, 'YYYY-MM') AS 月份,
SUM( 销售额) AS 月销售额
FROM orders
GROUP BY TO_CHAR( 订单日期, 'YYYY-MM')
ORDER BY 月份;
SELECT
产品类别,
SUM( 销售额) AS 类别销售额,
ROUND(SUM( 销售额) * 100.0 / SUM(SUM(销售额)) OVER (), 1)
AS 占比百分比
FROM orders
GROUP BY 产品类别
ORDER BY 类别销售额 DESC;
SELECT 地区, SUM(销售额) AS 地区销售额
FROM orders
GROUP BY 地区
ORDER BY 地区销售额 DESC;
值得强调的是,以上三条 SQL 均非笔者预先提供,亦非在系统提示词中硬编码,而是 Agent 根据自然语言需求“分析报告”动态推理生成。这直接印证了 7.2.1 节提出的“动态 SQL 查询能力”设计目标。
在获得查询结果后, Agent 自主判断每一组数据应配何种图表,并依次调用 create_chart_tool 生成了三幅图:按月销售额变化的折线图,用于呈现趋势;按品类销售额占比的饼图,用于展示结构;按地区销售额对比的柱状图,用于进行横向排名。如图 7-9所示。
图 7-9 数据可视化图表页面(由 Agent 自动生成)
最终 Agent 输出了一份结构完整的 Markdown 分析报告,包含 7.2.3 节要求的四个模块。以下为报告节选。
# 电商销售数据分析报告
## 一、数据概览
本次分析基于 2024 年 1 月至 2025 年 12 月的电商销售订单
数据,共包含 146 条有效订单记录,总销售额达 154,520.58 元,
覆盖 7 个地区、8 大产品类别……
## 二、关键发现
### 1. 销售趋势特征
- 整体销售呈现波动上升趋势,2025 年销售额较 2024 年增长约 45%
- 季节性特征明显,每年 11-12 月为销售高峰期
- 2025 年 12 月销售额达 29,711.71 元,为历史最高值,
占总销售额的 19.2%
### 2. 产品结构表现
- 电子产品为核心收入来源,销售额达 75,251.4 元,占比 48.7%
- 家居和服装分列二、三位,三大类别合计占比超过 83%
- 图书类别占比最低,仅 3.4%
### 3. 区域销售分布
- 西南地区销售表现最优,占比 30.3%
- 东北地区销售额最低,仅 5,627.56 元
## 三、数据可视化



## 四、结论与建议
1. 品类策略:巩固电子产品优势……
2. 区域拓展:深耕西南、华南……
3. 营销优化:把握年末旺季……
4. 产品矩阵:丰富家居、服装产品线……
报告结构完整、数据引用准确、结论可执行,达到了一份初级分析报告的交付标准。如图 7-10所示。
图 7-10 报告完整截图
将 7.3 节中提示词所声明的三项核心能力与本节实际运行结果进行对照,如表 7-3 所示。
表 7-3 能力设计与实际运行效果对照
|
设计目标 |
实际交付 |
验证结果 |
|
动态生成 SQL 查询 CSV 数据 |
Agent 自主生成 3 条以上含聚合、时间函数的 SQL |
达成 |
|
Python 绘图、中文渲染、对象存储、 Markdown 链接返回 |
3 幅图中文全部正常,返回链接可直接渲染 |
达成 |
|
Markdown 形式产出数据分析报告 |
四段式报告结构完整,含关键发现与可执行建议 |
达成 |
三项核心能力均实现闭环,验证了本章提出的设计方法与实现路径的有效性。
本项目虽然规模不大,但涉及提示词设计、工具编排、模型调用等多个关键环节。以下五条经验对同类项目具有普遍的借鉴意义。
“能够动态写 SQL”是能力描述,它会引导大模型规划出一整套工具链;“请写一个 SQL 查询函数”则是功能描述,大模型只会产出一个孤立的接口。能力描述为 AI 留出了设计空间,更符合 Agent 范式的本质特征。
中文字体渲染、 Markdown 输出、对象存储上传 ——这些在传统开发中容易“事后发现”的工程细节,都应在提示词中显式前置。大模型的默认行为并不总是与中文用户的期望一致,主动约束胜于被动修补。
扣子编程在本项目中的第一个动作并非写代码,而是查询三个集成文档。这一工作顺序应当被固化为 Agent开发的标准流程。我们在撰写提示词时,也应当预留查文档的时间窗口,而非要求模型立刻开始编码。
一个容易被忽视的事实是:图像是否可见,取决于它是否有持久的访问路径。缺少对象存储,图像就只能停留在一次性的本地路径中,对话结束即消失。对象存储对可视化 Agent 的意义,等同于“长期记忆”。
数据分析天然是多轮交互场景——用户会追问“按地区再看一下”、“把图换成饼图”、“只看 2025 年”。若无足够长度的短期记忆,每轮对话都要重述背景,用户体验显著下降。 20 轮是经验值,过短不够用,过长则带来 token 成本与上下文漂移的双重压力。
本 Agent 的骨架与提示词设计思路完全可以迁移到其他数据分析场景。只需更换数据集、微调系统提示词中的角色描述,即可快速得到新的应用。表 7-4 给出了一个迁移场景矩阵。
表 7-4 数据分析 Agent 的迁移场景矩阵
|
数据集类型 |
衍生 Agent |
典型业务问题 |
|
财务流水数据 |
财务月报助手 |
本月费用结构是否异常? |
|
用户行为日志 |
运营洞察助手 |
新渠道的用户质量如何? |
|
招聘漏斗数据 |
HR 分析助手 |
哪一环节的流失率最高? |
|
库存流水数据 |
供应链分析助手 |
哪些 SKU 即将缺货? |
|
广告投放数据 |
增长复盘助手 |
本次活动的 ROI 是多少? |
在当前版本基础上,数据分析 Agent可以沿以下四个方向继续演进。第一,接入 BI 看板。将 Agent 生成的图表与结论直接推送到 Metabase、 Superset 等 BI 工具,形成“对话驱动的看板”。第二,增加定时任务。让 Agent 每日或每周按预设主题自动生成分析报告,推送到邮箱或企业微信群。第三,引入长期记忆。让 Agent 记住业务的约定口径(例如“本业务线的 GMV 定义不含税”),避免每次重复说明。第四,加入权限分级。针对不同角色提供不同维度的可见性,避免敏感数据越权。
出于工程诚实的考虑,有必要指出当前版本的四项局限。第一, CSV 入库仍需手动操作, Agent 未实现自动导入。第二, SQL方言锁定为 PostgreSQL,迁移到 MySQL、 ClickHouse 时需修改工具内部的语法适配。第三,图表类型仅支持五种基础类型,复杂看板(组合图、地图、桑基图等)需要额外开发。第四,报告结构采用相对固定的四段式模板,对于更开放的深度分析,系统提示词需要进一步细化。这些局限同时也是本章内容后续章节可以展开的迭代起点。
本章以一个完整的工程案例,展示了如何在扣子编程平台上,用一段仅有数行的提示词,构建出具有动态 SQL 查询、 Python 可视化、 Markdown 报告三大核心能力的数据分析智能体。贯穿全章的主线是:用户只需清晰地表达“要什么”以及“关键约束是什么”,扣子编程就能自主完成“怎么做”的工程细节,包括查集成文档、构建工具、编排 Agent、联调测试与自动修复等。
从方法论层面看,本章提出的提示词设计五要素 ——角色、能力、数据源、关键约束、输出格式 ——可以作为任何 Agent 项目的设计检查清单。从工程细节层面看,本章揭示的中文字体降级方案、对象存储作为可视化载体、短期记忆对多轮分析的价值,都是可以直接复用到其他项目的工程经验。
当提示词成为第一手代码,分析师、产品经理、运营同事与研发工程师将站在同一条起跑线上。这正是 AI 原生应用在数据分析这一古老场景中带来的根本性改变。

来自 “ ITPUB博客 ” ,链接:https://blog.itpub.net/18841117/viewspace-3188979/ ,如需转载,请注明出处,否则将追究法律责任。