Data Agent：基于 LangChain 1.1 的智能数据分析助手
最近在折腾数据分析项目时，发现传统的数据分析流程往往需要反复切换工具：上传数据、写 Python 脚本、生成图表、分析结果。有没有一种方式能让 AI 直接理解数据并执行分析？基于这个需求，我实践了一个基于 LangChain 1.1 的智能数据分析应用——Data Agent。
需求场景
在日常数据分析工作中，我们经常面临这样的痛点：
- 工具切换繁琐：需要在 Excel、Python、Jupyter 之间反复切换
- 代码编写耗时：即使是简单的统计分析，也需要编写和调试代码
- 可视化门槛高：选择合适的图表类型、调整样式都需要一定经验
- 上下文理解困难：AI 助手无法直接感知当前数据集的结构
Data Agent 正是为了解决这些问题而生，它让数据分析变成对话式交互，AI 能够直接理解数据并执行分析任务。
项目定位
Data Agent 是一个智能数据分析助手，核心定位是：
- 对话式数据分析：通过自然语言与 AI 交互，完成数据探索、统计分析和可视化
- 零代码分析：用户无需编写 Python 代码，AI 自动生成并执行分析逻辑
- 实时数据感知：Agent 能够动态感知当前数据集的结构，提供上下文相关的分析建议
技术选型
LangChain 1.1 Agent 框架
项目核心采用 LangChain 1.1 的create_agentAPI，相比旧版本，新 API 提供了更简洁的 Agent 创建方式，特别是dynamic_prompt中间件机制，让我们能够实现动态上下文感知。
动态提示词中间件
这是项目的核心亮点。通过@dynamic_prompt装饰器，我们可以在每次 Agent 调用前实时更新 System Prompt，让 AI 始终感知最新的数据集状态：
@dynamic_promptdefdataset_context_middleware(request)->str:# 实时获取数据摘要（包含文件名、行列数、列名等）data_context=get_data_info()returnf"""你是一名精通 Python 的数据分析专家 DataAgent。 【当前数据集实时状态】{data_context}【你的职责】 1. 使用 `python_inter` 执行 Pandas 分析，或 `fig_inter` 进行绘图。 2. 变量 `df` 已内置，直接使用即可。 3. 绘图时请将对象赋值给变量，并调用绘图工具。 """工具系统（Tool System）
Agent 通过工具系统扩展能力，当前实现了两个核心工具：
python_inter：执行 Pandas 数据分析代码，支持自动捕获 print 输出和计算结果fig_inter：执行 Matplotlib/Seaborn 绘图代码，自动保存图表并返回前端展示
工具系统采用 LangChain 的@tool装饰器定义，支持类型验证和自动文档生成。
流式响应机制
基于 Server-Sent Events (SSE) 实现实时流式响应，用户可以看到 AI 的思考过程和分析结果逐步输出，提升交互体验。
功能详解
1. 智能数据管理
支持 CSV 文件上传（点击或拖拽），自动进行数据预处理：
- 空值处理：自动清理空行空列
- 类型推断：智能识别数值型和类别型变量
- 缺失值填充：数值列用均值填充，类别列用 “Unknown” 填充
2. AI 对话分析
用户可以通过自然语言提问，Agent 自动理解意图并执行分析：
用户："分析一下数据的整体情况"Agent:执行 df.describe()并返回统计摘要 用户："绘制年龄和收入的散点图"Agent:生成 matplotlib 图表并保存3. 动态上下文感知
通过dynamic_prompt中间件，Agent 能够实时获取数据集信息。当用户上传新文件时，System Prompt 会自动更新，AI 立即感知新的数据结构，无需手动告知列名或数据类型。
4. 可视化生成
Agent 生成的图表自动显示在可视化面板，支持散点图、柱状图、相关性分析等多种图表类型。图表生成后自动保存，前端实时展示。
优劣评估
优势
- 开发效率高：LangChain 1.1 的 API 简洁，快速搭建 Agent 应用
- 用户体验好：对话式交互，降低数据分析门槛
- 扩展性强：工具系统易于扩展，可添加更多分析能力
- 上下文感知：动态提示词机制让 AI 始终理解当前数据状态
局限
- 数据规模限制：当前版本适合中小型数据集（< 10万行）
资源地址：
https://gitee.com/ye_sheng0839/data-agent