构建数据分析智能体

概述

本指南演示如何使用深度智能体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：

接收用于分析的 CSV 文件
执行探索性数据分析并生成可视化图表
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
用于外部集成的自定义工具

环境配置

安装

安装核心依赖：

pip

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（令牌设置）
用于代码执行的沙盒环境。详细设置请参见可用提供商

pip

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）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。在上述链接注册后，请确保设置环境变量以开始记录追踪：

export LANGSMITH_TRACING="true"
export LANGSMITH_API_KEY="..."

或者在 Python 中设置：

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在沙盒化环境中执行代码。详细设置请参见可用提供商。

AgentCore
Daytona
Modal
Runloop
本地 shell

pip install langchain-agentcore-codeinterpreter

uv add langchain-agentcore-codeinterpreter

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)

pip install langchain-daytona

uv add langchain-daytona

from daytona import Daytona

from langchain_daytona import DaytonaSandbox

sandbox = Daytona().create()
backend = DaytonaSandbox(sandbox=sandbox)

验证沙盒已就绪：

result = backend.execute("echo ready")
print(result)
# ExecuteResponse(output='ready', exit_code=0, ...)

pip install langchain-runloop

uv add langchain-runloop

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。

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：

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。

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：

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：

模型的选择
我们的自定义工具
后端
支持多轮对话的检查点存储器

现在让我们调用我们的代理。

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()

可展开

================================== 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。

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：

您可以直接从后端下载工件，无需使用外部工具：

backend.download_files(list_of_filepaths)

请参阅提供商指南，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：了解 Deep Agents 后端系统
沙箱：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：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：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：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：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 or file an issue.

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.

Tutorials

Conceptual overviews

Additional resources

概述

关键概念

环境配置

安装

可选依赖

LangSmith

设置后端

上传示例数据

实现自定义工具

运行代理

结果

后续步骤

​概述

​关键概念

​环境配置

​安装

​可选依赖

​LangSmith

​设置后端

​上传示例数据

​实现自定义工具

​运行代理

​结果

​后续步骤

概述

关键概念

环境配置

安装

可选依赖

LangSmith

设置后端

上传示例数据

实现自定义工具

运行代理

结果

后续步骤