> ## Documentation Index > Fetch the complete documentation index at: https://langchain-zh.cn/llms.txt > Use this file to discover all available pages before exploring further. # 构建数据分析智能体 > 构建一个能够分析数据文件、生成可视化图表并分享结果的智能体 ## 概述 本指南演示如何使用[深度智能体](/oss/python/deepagents)构建一个数据分析智能体。数据分析任务通常需要规划、代码执行以及处理脚本、报告和图表等工件——这些都是深度智能体设计用来处理的能力。 我们将构建的智能体将能够： 1. 接收用于分析的 CSV 文件 2. 执行探索性数据分析并生成可视化图表 3. 将结果分享到 Slack 频道 Slack 集成是可选的。该智能体可以修改为将工件保存在本地或通过其他渠道分享结果。 ### 关键概念 本教程涵盖： * 用于沙盒化代码执行的[后端](/oss/python/deepagents/backends) * 用于外部集成的自定义[工具](/oss/python/langchain/tools) ## 环境配置 ### 安装 安装核心依赖： ```bash pip theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} pip install deepagents ``` ### 可选依赖 在本教程中，我们将使用： * 用于分享结果的 [Slack Python SDK](https://docs.slack.dev/tools/python-slack-sdk/)（[令牌设置](https://docs.slack.dev/authentication/tokens/)） * 用于代码执行的[沙盒](/oss/python/deepagents/sandboxes)环境。详细设置请参见[可用提供商](/oss/python/deepagents/sandboxes#available-providers) ```bash pip theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} pip install slack-sdk ``` 这些服务是可选的，但对于任何生产环境，强烈建议使用沙盒环境。你也可以使用本地 shell 后端（注意重要的[安全考虑](/oss/python/deepagents/backends#localshellbackend-local-shell)）或直接从后端下载工件。 ### LangSmith 你用 LangChain 构建的许多应用程序将包含多个步骤和多次 LLM 调用。随着这些应用程序变得越来越复杂，能够检查链或智能体内部究竟发生了什么变得至关重要。最好的方法是使用[LangSmith](https://smith.langchain.com)。 在上述链接注册后，请确保设置环境变量以开始记录追踪： ```shell theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} export LANGSMITH_TRACING="true" export LANGSMITH_API_KEY="..." ``` 或者在 Python 中设置： ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} import getpass import os os.environ["LANGSMITH_TRACING"] = "true" os.environ["LANGSMITH_API_KEY"] = getpass.getpass() ``` ## 设置后端 深度智能体使用[后端](/oss/python/deepagents/backends)在沙盒化环境中执行代码。 详细设置请参见[可用提供商](/oss/python/deepagents/sandboxes#available-providers)。 ```bash pip theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} pip install langchain-agentcore-codeinterpreter ``` ```bash uv theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} uv add langchain-agentcore-codeinterpreter ``` ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} from bedrock_agentcore.tools.code_interpreter_client import CodeInterpreter from langchain_agentcore_codeinterpreter import AgentCoreSandbox interpreter = CodeInterpreter(region="us-west-2") interpreter.start() backend = AgentCoreSandbox(interpreter=interpreter) ``` ```bash pip theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} pip install langchain-daytona ``` ```bash uv theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} uv add langchain-daytona ``` ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} from daytona import Daytona from langchain_daytona import DaytonaSandbox sandbox = Daytona().create() backend = DaytonaSandbox(sandbox=sandbox) ``` 验证沙盒已就绪： ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} result = backend.execute("echo ready") print(result) # ExecuteResponse(output='ready', exit_code=0, ...) ``` ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} import modal from langchain_modal import ModalSandbox app = modal.App.lookup("your-app") modal_sandbox = modal.Sandbox.create(app=app) backend = ModalSandbox(sandbox=modal_sandbox) ``` ```bash pip theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} pip install langchain-runloop ``` ```bash uv theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} uv add langchain-runloop ``` ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} from runloop_api_client import RunloopSDK from langchain_runloop import RunloopSandbox api_key = "..." client = RunloopSDK(bearer_token=api_key) devbox = client.devbox.create() backend = RunloopSandbox(devbox=devbox) ``` 此后端提供不受限制的文件系统和 shell 访问权限。仅在受控环境中用于开发和测试。更多详情请参见[安全考虑](/oss/python/deepagents/backends#localshellbackend-local-shell)。 ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} from deepagents.backends import LocalShellBackend backend = LocalShellBackend(root_dir=".", env={"PATH": "/usr/bin:/bin"}) ``` ### 上传示例数据 创建示例销售数据并上传到后端： ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} import csv import io # 创建示例销售数据 data = [ ["Date", "Product", "Units Sold", "Revenue"], ["2025-08-01", "Widget A", 10, 250], ["2025-08-02", "Widget B", 5, 125], ["2025-08-03", "Widget A", 7, 175], ["2025-08-04", "Widget C", 3, 90], ["2025-08-05", "Widget B", 8, 200], ] # 转换为 CSV 字节 text_buf = io.StringIO() writer = csv.writer(text_buf) writer.writerows(data) csv_bytes = text_buf.getvalue().encode("utf-8") text_buf.close() # 上传到后端 backend.upload_files([("/home/daytona/data/sales_data.csv", csv_bytes)]) ``` ## 实现自定义工具 数据分析任务可能会产生报告或图表等工件。 下面这个简单的[工具](/oss/python/langchain/tools)使用 `backend.download_files` 下载这些工件，然后使用 Slack SDK 上传它们。 我们也可以让智能体列出相关文件路径而不是直接上传，这样相关方可以根据需要单独获取这些文件。 ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} from langchain.tools import tool from slack_sdk import WebClient slack_token = os.environ["SLACK_USER_TOKEN"] slack_client = WebClient(token=slack_token) @tool(parse_docstring=True) def slack_send_message(text: str, file_path: str | None = None) -> str: """发送消息，可选择包含附件（如图片）。 Args: text: (str) 消息的文本内容 file_path: (str) 文件系统中附件的文件路径。 """ if not file_path: slack_client.chat_postMessage(channel=channel, text=text) else: fp = backend.download_files([file_path]) slack_client.files_upload_v2( channel="C0123456ABC", # 请在此处指定你自己的频道 content=fp[0].content, initial_comment=text, ) return "消息已发送。" ``` 通常建议避免将凭证和其他机密信息放入沙盒。这里我们在沙盒外部的工具中管理 Slack 令牌。 ## 运行代理 让我们实例化一个代理： ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} import uuid from langgraph.checkpoint.memory import InMemorySaver from deepagents import create_deep_agent checkpointer = InMemorySaver() agent = create_deep_agent( model="anthropic:claude-sonnet-4-5", tools=[slack_send_message], backend=backend, checkpointer=checkpointer, ) thread_id = str(uuid.uuid4()) config={"configurable": {"thread_id": thread_id}} ``` 我们包含： * [模型](/oss/python/deepagents/customization#model)的选择 * 我们的自定义[工具](/oss/python/deepagents/customization#tools) * [后端](/oss/python/deepagents/backends) * 支持多轮对话的[检查点存储器](/oss/python/langchain/short-term-memory) 现在让我们调用我们的代理。 ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} input_message = { "role": "user", "content": ( "分析当前目录中的 ./data/sales_data.csv 并生成一个漂亮的图表。" "完成后，使用该工具将你的分析和图表发送到 Slack。" ), } for step in agent.stream( {"messages": [input_message]}, config, stream_mode="updates", ): for _, update in step.items(): if update and (messages := update.get("messages")) and isinstance(messages, list): for message in messages: message.pretty_print() ``` ```结果 可展开 theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} ================================== Ai 消息 ================================== [{'text': "我将帮助您分析销售数据并创建一个漂亮的图表，然后将结果发送到 Slack。让我先探索一下数据。", 'type': 'text'}, {'id': 'toolu_01LRot5h6WkhdpDQ1SG6EQGQ', 'input': {'file_path': './data/sales_data.csv'}, 'name': 'read_file', 'type': 'tool_use'}] 工具调用： read_file (toolu_01LRot5h6WkhdpDQ1SG6EQGQ) 调用 ID：toolu_01LRot5h6WkhdpDQ1SG6EQGQ 参数： file_path: ./data/sales_data.csv ================================= 工具消息 ================================= 名称：read_file 错误：未找到文件 '/data/sales_data.csv' ================================== Ai 消息 ================================== [{'text': '让我先检查一下当前目录结构：', 'type': 'text'}, {'id': 'toolu_018DSeF8Dx714Dh2M5vJ1JuK', 'input': {'command': 'pwd'}, 'name': 'execute', 'type': 'tool_use'}, {'id': 'toolu_01As782aRsVB3mJpKPKNwg9c', 'input': {'path': '/'}, 'name': 'ls', 'type': 'tool_use'}] 工具调用： execute (toolu_018DSeF8Dx714Dh2M5vJ1JuK) 调用 ID：toolu_018DSeF8Dx714Dh2M5vJ1JuK 参数： command: pwd ls (toolu_01As782aRsVB3mJpKPKNwg9c) 调用 ID：toolu_01As782aRsVB3mJpKPKNwg9c 参数： path: / ================================= 工具消息 ================================= 名称：execute /home/daytona [命令成功，退出代码 0] ================================= 工具消息 ================================= 名称：ls ['/bin', '/boot', '/dev', '/etc', '/home', '/lib', '/lib64', '/media', '/mnt', '/opt', '/proc', '/root', '/run', '/sbin', '/srv', '/sys', '/tmp', '/usr', '/var', '/.dockerenv'] ================================== Ai 消息 ================================== [{'id': 'toolu_01Sv4ut1P2XFsjrzVmQbJLpr', 'input': {'path': '/home/daytona'}, 'name': 'ls', 'type': 'tool_use'}] 工具调用： ls (toolu_01Sv4ut1P2XFsjrzVmQbJLpr) 调用 ID：toolu_01Sv4ut1P2XFsjrzVmQbJLpr 参数： path: /home/daytona ================================= 工具消息 ================================= 名称：ls ['/home/daytona/.bash_logout', '/home/daytona/.bashrc', '/home/daytona/.face', '/home/daytona/.face.icon', '/home/daytona/.profile', '/home/daytona/.daytona', '/home/daytona/data', '/home/daytona/.zshrc'] ================================== Ai 消息 ================================== [{'text': "太好了！我看到有一个 data 目录。让我检查一下它的内容：", 'type': 'text'}, {'id': 'toolu_01WN6V9RZjGGoDXzuWdEgB1z', 'input': {'path': '/home/daytona/data'}, 'name': 'ls', 'type': 'tool_use'}] 工具调用： ls (toolu_01WN6V9RZjGGoDXzuWdEgB1z) 调用 ID：toolu_01WN6V9RZjGGoDXzuWdEgB1z 参数： path: /home/daytona/data ================================= 工具消息 ================================= 名称：ls ['/home/daytona/data/sales_data.csv'] ================================== Ai 消息 ================================== [{'text': '完美！现在让我读取销售数据：', 'type': 'text'}, {'id': 'toolu_01RFmneg7mua1G5csH3rH2Zq', 'input': {'file_path': '/home/daytona/data/sales_data.csv'}, 'name': 'read_file', 'type': 'tool_use'}] 工具调用： read_file (toolu_01RFmneg7mua1G5csH3rH2Zq) 调用 ID：toolu_01RFmneg7mua1G5csH3rH2Zq 参数： file_path: /home/daytona/data/sales_data.csv ================================= 工具消息 ================================= 名称：read_file 1 Date,Product,Units Sold,Revenue 2 2025-08-01,Widget A,10,250 3 2025-08-02,Widget B,5,125 4 2025-08-03,Widget A,7,175 5 2025-08-04,Widget C,3,90 6 2025-08-05,Widget B,8,200 ================================== Ai 消息 ================================== [{'text': "太棒了！我能看到销售数据。现在我将创建一个 Python 脚本来分析数据并生成一个漂亮的图表。让我创建一个包含可视化的综合分析：", 'type': 'text'}, {'id': 'toolu_01JcBjEXgPpCPuaGxn9ALwMg', 'input': {'file_path': '/home/daytona/analyze_sales.py', 'content': 'import pandas as pd\nimport matplotlib.pyplot as plt\nimport seaborn as sns\nfrom datetime import datetime\n\n# Set style for beautiful plots\nsns.set_style("whitegrid")\nplt.rcParams[\'figure.figsize\'] = (14, 10)\nplt.rcParams[\'font.size\'] = 11\n\n# Read the data\ndf = pd.read_csv(\'/home/daytona/data/sales_data.csv\')\ndf[\'Date\'] = pd.to_datetime(df[\'Date\'])\n\n# Analysis\nprint("=" * 60)\nprint("SALES DATA ANALYSIS REPORT")\nprint("=" * 60)\nprint("\\n1. DATA OVERVIEW")\nprint("-" * 60)\nprint(f"Date Range: {df[\'Date\'].min().strftime(\'%Y-%m-%d\')} to {df[\'Date\'].max().strftime(\'%Y-%m-%d\')}")\nprint(f"Total Records: {len(df)}")\nprint(f"Products: {\', \'.join(df[\'Product\'].unique())}")\n\nprint("\\n2. SUMMARY STATISTICS")\nprint("-" * 60)\nprint(f"Total Revenue: ${df[\'Revenue\'].sum():,.2f}")\nprint(f"Total Units Sold: {df[\'Units Sold\'].sum()}")\nprint(f"Average Daily Revenue: ${df[\'Revenue\'].mean():.2f}")\nprint(f"Average Units per Sale: {df[\'Units Sold\'].mean():.2f}")\n\nprint("\\n3. PRODUCT PERFORMANCE")\nprint("-" * 60)\nproduct_stats = df.groupby(\'Product\').agg({\n \'Revenue\': [\'sum\', \'mean\'],\n \'Units Sold\': [\'sum\', \'mean\']\n}).round(2)\nprint(product_stats)\n\nprint("\\n4. BEST PERFORMING DAY")\nprint("-" * 60)\nbest_day = df.loc[df[\'Revenue\'].idxmax()]\nprint(f"Date: {best_day[\'Date\'].strftime(\'%Y-%m-%d\')}")\nprint(f"Product: {best_day[\'Product\']}")\nprint(f"Revenue: ${best_day[\'Revenue\']:.2f}")\nprint(f"Units Sold: {best_day[\'Units Sold\']}")\n\n# Create visualizations\nfig = plt.figure(figsize=(16, 12))\nfig.suptitle(\'Sales Data Analysis Dashboard\', fontsize=20, fontweight=\'bold\', y=0.995)\n\n# 1. Revenue by Date\nax1 = plt.subplot(2, 3, 1)\ncolors = sns.color_palette("husl", len(df))\nbars = ax1.bar(df[\'Date\'].dt.strftime(\'%m-%d\'), df[\'Revenue\'], color=colors, edgecolor=\'black\', linewidth=1.5)\nax1.set_title(\'Daily Revenue\', fontsize=14, fontweight=\'bold\', pad=10)\nax1.set_xlabel(\'Date\', fontsize=12, fontweight=\'bold\')\nax1.set_ylabel(\'Revenue ($)\', fontsize=12, fontweight=\'bold\')\nax1.grid(axis=\'y\', alpha=0.3)\nfor bar in bars:\n height = bar.get_height()\n ax1.text(bar.get_x() + bar.get_width()/2., height,\n f\'${int(height)}\',\n ha=\'center\', va=\'bottom\', fontsize=9, fontweight=\'bold\')\nplt.setp(ax1.xaxis.get_majorticklabels(), rotation=45)\n\n# 2. Units Sold by Date\nax2 = plt.subplot(2, 3, 2)\nbars = ax2.bar(df[\'Date\'].dt.strftime(\'%m-%d\'), df[\'Units Sold\'], color=colors, edgecolor=\'black\', linewidth=1.5)\nax2.set_title(\'Daily Units Sold\', fontsize=14, fontweight=\'bold\', pad=10)\nax2.set_xlabel(\'Date\', fontsize=12, fontweight=\'bold\')\nax2.set_ylabel(\'Units\', fontsize=12, fontweight=\'bold\')\nax2.grid(axis=\'y\', alpha=0.3)\nfor bar in bars:\n height = bar.get_height()\n ax2.text(bar.get_x() + bar.get_width()/2., height,\n f\'{int(height)}\',\n ha=\'center\', va=\'bottom\', fontsize=9, fontweight=\'bold\')\nplt.setp(ax2.xaxis.get_majorticklabels(), rotation=45)\n\n# 3. Revenue by Product (Pie Chart)\nax3 = plt.subplot(2, 3, 3)\nproduct_revenue = df.groupby(\'Product\')[\'Revenue\'].sum()\ncolors_pie = sns.color_palette("Set2", len(product_revenue))\nwedges, texts, autotexts = ax3.pie(product_revenue, labels=product_revenue.index, autopct=\'%1.1f%%\',\n colors=colors_pie, startangle=90, textprops={\'fontsize\': 11, \'fontweight\': \'bold\'},\n explode=[0.05] * len(product_revenue))\nax3.set_title(\'Revenue Distribution by Product\', fontsize=14, fontweight=\'bold\', pad=10)\nfor autotext in autotexts:\n autotext.set_color(\'white\')\n autotext.set_fontsize(12)\n\n# 4. Total Revenue by Product (Bar Chart)\nax4 = plt.subplot(2, 3, 4)\nproduct_revenue_sorted = product_revenue.sort_values(ascending=False)\ncolors_product = sns.color_palette("coolwarm", len(product_revenue_sorted))\nbars = ax4.barh(product_revenue_sorted.index, product_revenue_sorted.values, color=colors_product, edgecolor=\'black\', linewidth=1.5)\nax4.set_title(\'Total Revenue by Product\', fontsize=14, fontweight=\'bold\', pad=10)\nax4.set_xlabel(\'Revenue ($)\', fontsize=12, fontweight=\'bold\')\nax4.set_ylabel(\'Product\', fontsize=12, fontweight=\'bold\')\nax4.grid(axis=\'x\', alpha=0.3)\nfor i, (product, revenue) in enumerate(product_revenue_sorted.items()):\n ax4.text(revenue, i, f\' ${int(revenue)}\', va=\'center\', fontsize=10, fontweight=\'bold\')\n\n# 5. Total Units Sold by Product\nax5 = plt.subplot(2, 3, 5)\nproduct_units = df.groupby(\'Product\')[\'Units Sold\'].sum().sort_values(ascending=False)\ncolors_units = sns.color_palette("viridis", len(product_units))\nbars = ax5.barh(product_units.index, product_units.values, color=colors_units, edgecolor=\'black\', linewidth=1.5)\nax5.set_title(\'Total Units Sold by Product\', fontsize=14, fontweight=\'bold\', pad=10)\nax5.set_xlabel(\'Units\', fontsize=12, fontweight=\'bold\')\nax5.set_ylabel(\'Product\', fontsize=12, fontweight=\'bold\')\nax5.grid(axis=\'x\', alpha=0.3)\nfor i, (product, units) in enumerate(product_units.items()):\n ax5.text(units, i, f\' {int(units)}\', va=\'center\', fontsize=10, fontweight=\'bold\')\n\n# 6. Product Distribution\nax6 = plt.subplot(2, 3, 6)\nproduct_counts = df[\'Product\'].value_counts()\ncolors_count = sns.color_palette("muted", len(product_counts))\nwedges, texts, autotexts = ax6.pie(product_counts, labels=product_counts.index, autopct=\'%1.1f%%\',\n colors=colors_count, startangle=45, textprops={\'fontsize\': 11, \'fontweight\': \'bold\'},\n explode=[0.05] * len(product_counts))\nax6.set_title(\'Sales Transactions by Product\', fontsize=14, fontweight=\'bold\', pad=10)\nfor autotext in autotexts:\n autotext.set_color(\'white\')\n autotext.set_fontsize(12)\n\nplt.tight_layout()\nplt.savefig(\'/home/daytona/sales_analysis_plot.png\', dpi=300, bbox_inches=\'tight\', facecolor=\'white\')\nprint("\\n" + "=" * 60)\nprint("Plot saved as: sales_analysis_plot.png")\nprint("=" * 60)\n'}, 'name': 'write_file', 'type': 'tool_use'}] 工具调用： write_file (toolu_01JcBjEXgPpCPuaGxn9ALwMg) 调用 ID：toolu_01JcBjEXgPpCPuaGxn9ALwMg 参数： file_path: /home/daytona/analyze_sales.py content: import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from datetime import datetime # 为漂亮图表设置样式 sns.set_style("whitegrid") plt.rcParams['figure.figsize'] = (14, 10) plt.rcParams['font.size'] = 11 # 读取数据 df = pd.read_csv('/home/daytona/data/sales_data.csv') df['Date'] = pd.to_datetime(df['Date']) # 分析 print("=" * 60) print("销售数据分析报告") print("=" * 60) print("\n1. 数据概览") print("-" * 60) print(f"日期范围：{df['Date'].min().strftime('%Y-%m-%d')} 至 {df['Date'].max().strftime('%Y-%m-%d')}") print(f"总记录数：{len(df)}") print(f"产品：{', '.join(df['Product'].unique())}") print("\n2. 汇总统计") print("-" * 60) print(f"总收入：${df['Revenue'].sum():,.2f}") print(f"总销售件数：{df['Units Sold'].sum()}") print(f"日均收入：${df['Revenue'].mean():.2f}") print(f"每单平均件数：{df['Units Sold'].mean():.2f}") print("\n3. 产品表现") print("-" * 60) product_stats = df.groupby('Product').agg({ 'Revenue': ['sum', 'mean'], 'Units Sold': ['sum', 'mean'] }).round(2) print(product_stats) print("\n4. 最佳销售日") print("-" * 60) best_day = df.loc[df['Revenue'].idxmax()] print(f"日期：{best_day['Date'].strftime('%Y-%m-%d')}") print(f"产品：{best_day['Product']}") print(f"收入：${best_day['Revenue']:.2f}") print(f"销售件数：{best_day['Units Sold']}") # 创建可视化图表 fig = plt.figure(figsize=(16, 12)) fig.suptitle('销售数据分析仪表板', fontsize=20, fontweight='bold', y=0.995) # 1. 每日收入 ax1 = plt.subplot(2, 3, 1) colors = sns.color_palette("husl", len(df)) bars = ax1.bar(df['Date'].dt.strftime('%m-%d'), df['Revenue'], color=colors, edgecolor='black', linewidth=1.5) ax1.set_title('每日收入', fontsize=14, fontweight='bold', pad=10) ax1.set_xlabel('日期', fontsize=12, fontweight='bold') ax1.set_ylabel('收入（美元）', fontsize=12, fontweight='bold') ax1.grid(axis='y', alpha=0.3) for bar in bars: height = bar.get_height() ax1.text(bar.get_x() + bar.get_width()/2., height, f'${int(height)}', ha='center', va='bottom', fontsize=9, fontweight='bold') plt.setp(ax1.xaxis.get_majorticklabels(), rotation=45) # 2. 每日销售件数 ax2 = plt.subplot(2, 3, 2) bars = ax2.bar(df['Date'].dt.strftime('%m-%d'), df['Units Sold'], color=colors, edgecolor='black', linewidth=1.5) ax2.set_title('每日销售件数', fontsize=14, fontweight='bold', pad=10) ax2.set_xlabel('日期', fontsize=12, fontweight='bold') ax2.set_ylabel('件数', fontsize=12, fontweight='bold') ax2.grid(axis='y', alpha=0.3) for bar in bars: height = bar.get_height() ax2.text(bar.get_x() + bar.get_width()/2., height, f'{int(height)}', ha='center', va='bottom', fontsize=9, fontweight='bold') plt.setp(ax2.xaxis.get_majorticklabels(), rotation=45) # 3. 按产品划分的收入（饼图） ax3 = plt.subplot(2, 3, 3) product_revenue = df.groupby('Product')['Revenue'].sum() colors_pie = sns.color_palette("Set2", len(product_revenue)) wedges, texts, autotexts = ax3.pie(product_revenue, labels=product_revenue.index, autopct='%1.1f%%', colors=colors_pie, startangle=90, textprops={'fontsize': 11, 'fontweight': 'bold'}, explode=[0.05] * len(product_revenue)) ax3.set_title('各产品收入占比', fontsize=14, fontweight='bold', pad=10) for autotext in autotexts: autotext.set_color('white') autotext.set_fontsize(12) # 4. 各产品总收入（条形图） ax4 = plt.subplot(2, 3, 4) product_revenue_sorted = product_revenue.sort_values(ascending=False) colors_product = sns.color_palette("coolwarm", len(product_revenue_sorted)) bars = ax4.barh(product_revenue_sorted.index, product_revenue_sorted.values, color=colors_product, edgecolor='black', linewidth=1.5) ax4.set_title('各产品总收入', fontsize=14, fontweight='bold', pad=10) ax4.set_xlabel('收入（美元）', fontsize=12, fontweight='bold') ax4.set_ylabel('产品', fontsize=12, fontweight='bold') ax4.grid(axis='x', alpha=0.3) for i, (product, revenue) in enumerate(product_revenue_sorted.items()): ax4.text(revenue, i, f' ${int(revenue)}', va='center', fontsize=10, fontweight='bold') # 5. 各产品总销售件数 ax5 = plt.subplot(2, 3, 5) product_units = df.groupby('Product')['Units Sold'].sum().sort_values(ascending=False) colors_units = sns.color_palette("viridis", len(product_units)) bars = ax5.barh(product_units.index, product_units.values, color=colors_units, edgecolor='black', linewidth=1.5) ax5.set_title('各产品总销售件数', fontsize=14, fontweight='bold', pad=10) ax5.set_xlabel('件数', fontsize=12, fontweight='bold') ax5.set_ylabel('产品', fontsize=12, fontweight='bold') ax5.grid(axis='x', alpha=0.3) for i, (product, units) in enumerate(product_units.items()): ax5.text(units, i, f' {int(units)}', va='center', fontsize=10, fontweight='bold') # 6. 产品分布 ax6 = plt.subplot(2, 3, 6) product_counts = df['Product'].value_counts() colors_count = sns.color_palette("muted", len(product_counts)) wedges, texts, autotexts = ax6.pie(product_counts, labels=product_counts.index, autopct='%1.1f%%', colors=colors_count, startangle=45, textprops={'fontsize': 11, 'fontweight': 'bold'}, explode=[0.05] * len(product_counts)) ax6.set_title('各产品销售交易占比', fontsize=14, fontweight='bold', pad=10) for autotext in autotexts: autotext.set_color('white') autotext.set_fontsize(12) plt.tight_layout() plt.savefig('/home/daytona/sales_analysis_plot.png', dpi=300, bbox_inches='tight', facecolor='white') print("\n" + "=" * 60) print("图表已保存为：sales_analysis_plot.png") print("=" * 60) ================================= 工具消息 ================================= 名称：write_file 已更新文件 /home/daytona/analyze_sales.py ================================== Ai 消息 ================================== [{'text': '现在让我运行分析脚本：', 'type': 'text'}, {'id': 'toolu_015xkZr21TuzCTEKGzSqgnbp', 'input': {'command': 'cd /home/daytona && python analyze_sales.py'}, 'name': 'execute', 'type': 'tool_use'}] 工具调用： execute (toolu_015xkZr21TuzCTEKGzSqgnbp) 调用 ID：toolu_015xkZr21TuzCTEKGzSqgnbp 参数： command: cd /home/daytona && python analyze_sales.py ================================= 工具消息 ================================= 名称：execute ============================================================ 销售数据分析报告 ============================================================ 1. 数据概览 ------------------------------------------------------------ 日期范围：2025-08-01 至 2025-08-05 总记录数：5 产品：Widget A, Widget B, Widget C 2. 汇总统计 ------------------------------------------------------------ 总收入：$840.00 总销售件数：33 日均收入：$168.00 每单平均件数：6.60 3. 产品表现 ------------------------------------------------------------ Revenue Units Sold sum mean sum mean Product Widget A 425 212.5 17 8.5 Widget B 325 162.5 13 6.5 Widget C 90 90.0 3 3.0 4. 最佳销售日 ------------------------------------------------------------ 日期：2025-08-01 产品：Widget A 收入：$250.00 销售件数：10 ============================================================ 图表已保存为：sales_analysis_plot.png ============================================================ [命令成功，退出代码 0] ================================== Ai 消息 ================================== [{'text': '完美！分析已完成，图表已生成。现在让我将分析和图表都发送到 Slack：', 'type': 'text'}, {'id': 'toolu_01Qust5a8DECKPZuU9pBBvkz', 'input': {'text': '📊 **销售数据分析报告** 📊\n\n**1. 数据概览**\n• 日期范围：2025年8月1日至5日（5天）\n• 分析的产品：Widget A、Widget B、Widget C\n\n**2. 关键指标**\n💰 总收入：$840.00\n📦 总销售件数：33件\n📈 日均收入：$168.00\n📊 每单平均件数：6.60\n\n**3. 产品表现**\n🏆 Widget A（表现最佳）\n - 总收入：$425（占总收入的50.6%）\n - 总销售件数：17件（每单平均8.5件）\n\n🥈 Widget B\n - 总收入：$325（占总收入的38.7%）\n - 总销售件数：13件（每单平均6.5件）\n\n🥉 Widget C\n - 总收入：$90（占总收入的10.7%）\n - 总销售件数：3件（每单平均3.0件）\n\n**4. 最佳销售日**\n🌟 2025年8月1日\n - 产品：Widget A\n - 收入：$250.00\n - 销售件数：10件\n\n**关键洞察：**\n✅ Widget A 是明显的领导者，创造了超过50%的总收入\n✅ Widget B 表现强劲，销售稳定\n⚠️ Widget C 有改进空间 - 销售额和收入最低\n📊 每日收入范围从 $90 到 $250\n\n请查看附带的可视化仪表板以获取详细图表！📈', 'file_path': '/home/daytona/sales_analysis_plot.png'}, 'name': 'slack_send_message', 'type': 'tool_use'}] 工具调用： slack_send_message (toolu_01Qust5a8DECKPZuU9pBBvkz) 调用 ID：toolu_01Qust5a8DECKPZuU9pBBvkz 参数： text: 📊 **销售数据分析报告** 📊 **1. 数据概览** • 日期范围：2025年8月1日至5日（5天） • 分析的产品：Widget A、Widget B、Widget C **2. 关键指标** 💰 总收入：$840.00 📦 总销售件数：33件 📈 日均收入：$168.00 📊 每单平均件数：6.60 **3. 产品表现** 🏆 Widget A（表现最佳） - 总收入：$425（占总收入的50.6%） - 总销售件数：17件（每单平均8.5件） 🥈 Widget B - 总收入：$325（占总收入的38.7%） - 总销售件数：13件（每单平均6.5件） 🥉 Widget C - 总收入：$90（占总收入的10.7%） - 总销售件数：3件（每单平均3.0件） **4. 最佳销售日** 🌟 2025年8月1日 - 产品：Widget A - 收入：$250.00 - 销售件数：10件 **关键洞察：** ✅ Widget A 是明显的领导者，创造了超过50%的总收入 ✅ Widget B 表现强劲，销售稳定 ⚠️ Widget C 有改进空间 - 销售额和收入最低 📊 每日收入范围从 $90 到 $250 请查看附带的可视化仪表板以获取详细图表！📈 file_path: /home/daytona/sales_analysis_plot.png ================================= 工具消息 ================================= 名称：slack_send_message 消息已发送。 ================================== Ai 消息 ================================== 太棒了！我已成功完成分析并将所有内容发送到 Slack。以下是我完成的工作： ## 总结 **已完成的分析：** - 分析了2025年8月1日至5日的销售数据 - 处理了3种产品（Widget A、B和C）的数据 - 生成了全面的统计数据和洞察 **主要发现：** 1. **总收入：** 5天内总计 $840 2. **最佳产品：** Widget A（收入 $425，占总收入的50.6%） 3. **最佳销售日：** 8月1日，收入 $250 4. **总销售件数：** 33件 **已创建的可视化图表：** 一个漂亮的6面板仪表板，包含： - 每日收入趋势 - 每日销售件数 - 各产品收入占比（饼图） - 各产品总收入（水平条形图） - 各产品总销售件数（水平条形图） - 销售交易分布（饼图） **已发送到 Slack 的内容：** ✅ 包含关键指标和洞察的综合分析报告 ✅ 高分辨率可视化仪表板（保存为 PNG 格式） 分析显示 Widget A 是表现最佳的产品，而 Widget C 有改进空间。所有结果已发送到您的 Slack 工作区！ ``` 查看此次执行的完整 [LangSmith 追踪](https://smith.langchain.com/public/ac2443a8-16ad-4e00-8f02-afde6a737534/r)。 ## 结果 代理成功分析数据并将包含可视化的综合报告分享到 Slack： Slack 中的销售分析结果 您可以直接从后端下载工件，无需使用外部工具： ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} backend.download_files(list_of_filepaths) ``` 请参阅[提供商指南](/oss/python/deepagents/sandboxes#available-providers)，了解完成后如何清理沙箱。 ## 后续步骤 现在您已经构建了一个数据分析代理，请探索以下资源以扩展其能力： * [后端](/oss/python/deepagents/backends)：了解 Deep Agents 后端系统 * [沙箱](/oss/python/deepagents/sandboxes)：查看用于沙箱化代码执行的后端，包括安全考虑因素和高级配置 * [定制化](/oss/python/deepagents/customization)：了解如何使用不同的模型、工具、提示和规划策略来定制您的代理 * [CLI](/oss/python/deepagents/cli/overview)：尝试使用 Deep Agents CLI 作为终端编码代理，在本地协助进行数据分析和其他代理任务 * [技能](/oss/python/deepagents/skills)：为您的代理配备可重用的技能，以处理常见工作流 * [人机协作](/oss/python/deepagents/human-in-the-loop)：为数据分析工作流中的关键操作添加交互式审批步骤 ***
[Edit this page on GitHub](https://github.com/langchain-ai/docs/edit/main/src/i18n\zh-CN\oss\deepagents\data-analysis.mdx) or [file an issue](https://github.com/langchain-ai/docs/issues/new/choose). [Connect these docs](/use-these-docs) to Claude, VSCode, and more via MCP for real-time answers.