基于langchain的RAG数据分析报告生成助手产品系统

面向非技术人员的数据问答系统，用户通过自然语言提问，系统自动生成SQL查询数据并以图表形式返回结果。

本项目是一个基于大模型（LLM）构建的数据分析智能体。它打破了传统 BI 工具“点击式”的交互局限，用户只需通过自然语言提问，Agent 即可自主理解意图、规划执行步骤，并调用相应的工具完成从“数据查询 -> 统计计算 -> 可视化 -> 报告生成”的端到端分析闭环。

核心功能特性：

智能意图识别与路由：
能够精准区分“闲聊问候”与“复杂数据分析需求”。对于闲聊直接走轻量链路快速响应，避免不必要的工具调用；对于复杂任务则进入 ReAct 推理循环。
全链路数据分析闭环：
数据查询：支持对 CSV 等结构化数据进行灵活的条件过滤与提取。
统计计算：支持分组聚合（GroupBy）、求和、均值等常见统计运算。
可视化生成：根据数据特征自动选择合适的图表类型（柱状图、饼图等）并生成本地图片。
分析报告：将前序步骤的结论进行整合，自动生成结构化的 Markdown 分析报告。
自主规划与多轮工具调度：
面对复合需求（如：“分析各区域销售额并画图”），Agent 能够自主拆解任务，按需串联多个工具，并基于前一个工具的返回结果决定下一步操作，实现真正的“思考-行动-观察”循环。
防死循环与安全机制：
内置最大迭代次数限制，当工具连续调用失败或陷入逻辑死循环时，Agent 能主动终止并向用户报错，保障系统稳定性。

本项目摒弃了重耦合的“流水线”式代码，采用高度模块化的 Agent 架构，具备极强的扩展性。只需替换工具层，即可平滑迁移至 RAG 知识库问答、论文自动总结等其他业务场景。

1. 核心架构设计

大脑层：基于智谱 GLM-4 模型，通过 Function Calling 机制实现意图理解与工具调度。
调度层：实现了标准的 ReAct 模式，封装了多轮对话上下文管理、工具调用历史记录以及异常重试逻辑。
工具层：定义了标准的工具基类，所有具体工具均遵循统一的 Schema 规范和执行接口，实现即插即用。
2. 关键技术落地细节

大模型输出强校验：针对大模型生成的工具调用参数可能出现格式不规范的问题，引入 Pydantic 数据模型。在执行工具前进行参数类型强转与校验，有效拦截了因参数格式错误导致的代码崩溃。
OpenAI 标准协议适配：底层调用完全兼容 OpenAI SDK 标准格式，通过 base_url 配置即可无缝切换智谱、通义千问或本地开源模型，实现模型层的解耦。
Prompt 工程约束：精心设计了系统提示词，明确界定了 Agent 的身份边界、可用工具的使用场景以及输出规范，显著降低了模型的幻觉与错误调度率。
意图识别降级策略：在主流程前置引入轻量级意图识别，有效降低了高频简单对话场景下的 Token 消耗和响应延迟。