这是一个 AI Agent 方向的数据分析作品集项目。Agent 接入三个合成数据项目的 SQLite，根据自然语言问题检索指标口径、生成只读 SQL、执行查询、生成表格/图表，并输出中文分析结论。
项目默认使用 deterministic mock agent，不依赖线上大模型 API；如果存在 OPENAI_API_KEY，可以扩展接入真实 LLM planner。公开仓库只使用合成数据项目产物，不包含内部资料或个人信息。
- 七步流水线：提问 → 路由 → RAG检索 → SQL生成 → 安全校验 → 执行 → 图表→结论
- 三数据源协同：车主增长 + 用车权益LTV + 本地生活搜索排序
- 四维自动评测：数据源路由 100% · 指标口径 100% · SQL可执行 100% · 安全拒绝 100%
- 双模式交互：Web 界面（一键启动）+ CLI 命令行
- 零 API Key 可复现：默认 deterministic mock agent，clone 即跑
Agent 需要三个上游项目的 SQLite 数据库。先进入对应目录执行一键命令：
# 在 connected-vehicle-app-growth-analytics 目录下
python3 -m cv_growth run-all
# 在 growth-incrementality-ltv-attribution 目录下
python3 -m growth_ltv run-all
# 在 local-life-search-ranking-ml-lab 目录下
python3 -m search_rank_ml run-all提示：Agent 会检测数据源是否可用。如果某个 SQLite 不存在，Web 界面会显示「缺少 SQLite」，对应问题会返回友好提示。
python3 -m pip install -r requirements.txt
python3 -m analytics_agent run-web浏览器访问：
http://127.0.0.1:8008
# 单次提问
python3 -m analytics_agent ask "哪个渠道毛利ROAS最高？"
# 运行评测
python3 -m analytics_agent eval
# 导出评测报告
python3 -m analytics_agent export-report用户提问
│
▼
Question Router ──→ 数据源路由（benefit_ltv / search_rank / connected_vehicle）
│
▼
RAG Retriever ──→ 检索指标口径（4条knowledge base，可扩展）
│
▼
SQL Planner ──→ 生成只读 SQL（mock模板 / 可选LLM）
│
▼
SQL Guardrail ──→ 安全校验（拒绝写操作、多语句、危险token）
│
▼
Query Tool ──→ SQLite 执行查询
│
├──→ Chart Tool ──→ 自动生成 Matplotlib 图表
│
└──→ Reporter ──→ 中文分析结论 + 下一步建议
这是一个有意的设计选择，不是偷懒：
- 可复现：面试官 clone 下来就能跑，不需要 API key
- 稳定评测：32 题评测集每次结果一致，不是"运气好"
- 安全可控：SQL guardrail 由代码保证，不依赖 LLM 的"自律"
- 可升级：设置
OPENAI_API_KEY环境变量即可切换到真实 LLM，安全边界不变
- Web 页面完成"提问 → SQL → 表格 → 图表 → 中文结论"闭环
- 默认无 API key 可复现，适合 GitHub 展示和面试现场运行
- 跨 3 个项目数据源，不混淆指标口径
- 内置 SQL 安全网关，拒绝危险写操作
- 自带 32 题评测集，输出四维指标
PYTHONPYCACHEPREFIX=/tmp/analytics_agent_pycache python3 -m compileall .
python3 tests/smoke_test.pyINTERVIEW_TALK_TRACK.md：面试 3 分钟 / 8 分钟讲稿 + Q&A 预判docs/agent_design.md：Agent 架构与安全边界reports/agent_eval_report.md：评测报告（含维度说明）eval/questions.json：32 题评测集web/：FastAPI + 原生前端
MIT