DataPilot

让业务问题变成可核验的分析结果。

多智能体协作 · 自然语言分析 · 交互式澄清 · 证据追溯

产品展示 · 核心能力 · 工作原理 · 快速启动

DataPilot 是基于 LangGraph 的多智能体数据分析工作台。业务人员通过自然语言提出问题，系统协作完成指标理解、跨表查询、证据分析和图表生成；遇到口径不明确的问题时，先向用户确认，再继续原任务。

项目以电商、SaaS 和连锁门店为业务实践，通过数据源、业务域、语义模型与 Skill 分层组织分析能力。

统一的业务域入口、可搜索的历史对话，以及随时继续追问的输入框。数据与语义、分析方法、知识与偏好集中在顶部。

2025 年各月销售额、订单量、客单价和贡献利润如何变化？哪些月份值得重点关注？

KPI、趋势图和结果表围绕同一份查询证据组织，图表明确区分单位与坐标轴；SQL 和运行过程按需展开。

第四季度相比第三季度，销售额与贡献利润如何变化？按渠道、品类、折扣、退款和费用拆解。

先对齐订单、明细、退款和费用的统计粒度，再做贡献分解与金额核对，结合渠道和品类定位差异。

查看更多：SaaS 收入、门店经营与交互式澄清

SaaS：订阅收入分析

按月分析 MRR，区分新增、扩张、收缩、流失与恢复，并核对连续月份的收入桥接。

门店：同店经营分析

围绕营业天数、日均客流、成交比例与客单价拆解同店变化，结合门店排名定位关注对象。

Human-in-the-Loop：口径确认与任务恢复

指标或时间范围不明确时，请求用户补充信息；使用检查点恢复原任务。下面展示已完成分析中的澄清、恢复与后续执行记录。

• 多智能体协作：Supervisor 组织流程，数据发现、SQL、分析和可视化 Agent 通过结构化产物协作。
• 一致的业务口径：语义模型明确指标公式、事实粒度、时间字段与关联关系，支撑多指标和跨表分析。
• 交互式澄清：通过 LangGraph interrupt 暂停任务，用户补充后恢复上下文并继续查询。
• SQL 修复经验召回：结合 PostgreSQL 全文检索、BGE-M3 向量检索与加权 RRF，召回已验证经验辅助定向纠错。
• 三层记忆管理：工作流检查点、会话上下文与长期经验分层管理，兼顾任务恢复、多轮衔接和跨任务复用。
• 可追溯的结果交付：确定性工具计算趋势与分解，图表关联查询结果；保留 SQL、结果表和执行事件。

flowchart TD
    Q["自然语言问题"] --> S["Supervisor：上下文与分析步骤"]
    S --> D["Discovery：指标、口径与数据定位"]
    D -->|信息充分| SQL["SQL：规划、校验与执行"]
    D -->|需要确认| H["Human-in-the-Loop：补充信息"]
    H -->|恢复原任务| S
    SQL --> A["Analyst：证据核对与确定性计算"]
    SQL -->|查询失败| R["检索修复经验并纠错"]
    R --> SQL
    A -->|需要补查| D
    A --> V["Visualization：图表与结果表"]
    V --> F["Supervisor：复核与交付"]

长期经验原件存放在 PostgresStore，全文与向量索引由独立检索表承载。召回结果按业务域、版本与方言等条件筛选，并回查原件；实际修复且任务最终成功后，才沉淀运行经验。偏好按业务域和语义模型版本直接读取。

18 个 Skill 按节点职责、意图标签和业务能力选择，组合通用分析方法与领域方法，实际加载内容记录在运行轨迹中。

PostgreSQL 与 DuckDB 通过统一连接器接入。业务域绑定数据源，语义模型组织指标、维度及批准关联；SQL 经过 AST 校验和只读执行控制，应用状态与记忆保存在独立的 PostgreSQL 中。

以下为 Windows / PowerShell 原生启动步骤，命令均在项目根目录执行。

准备 Python 3.12.x、Node.js 22，以及已安装 pgvector 扩展文件的 PostgreSQL。pgvector 需与所使用的 PostgreSQL 安装匹配，初始化脚本不会代为安装它。

py -3.12 -m venv .venv
.\.venv\Scripts\python.exe -m pip install -e "./backend[dev]"
npm --prefix frontend ci

首次配置时复制模板；已有 .env 时直接编辑，保留原配置。

if (-not (Test-Path .env)) { Copy-Item .env.example .env }

在 .env 中填写自己的模型连接信息：

Embedding 用于增强语义检索；未配置或调用失败时使用全文检索，并在执行事件中记录检索方式。密钥只保存在本地配置中，不放入前端或提交到 Git。

将下方路径替换为自己的 PostgreSQL bin 目录：

.\.venv\Scripts\python.exe scripts/init_local_postgres.py --bin-dir "C:\path\to\PostgreSQL\bin"
.\.venv\Scripts\python.exe scripts/generate_data.py

脚本在项目的 .runtime/postgres 创建独立集群，使用端口 15432 与数据库 insight_agents。连接凭据自动保存在 .runtime，后端通过 --local-postgres 读取。已有业务数据文件按生成器规则复用。

终端一：

.\.venv\Scripts\python.exe scripts/dev.py --local-postgres

终端二：

npm --prefix frontend run dev

• 打开工作台：http://127.0.0.1:5174
• 后端健康状态：http://127.0.0.1:8010/api/v1/health

首次启动会初始化应用表与内置业务域。截图展示的是已执行分析后的界面；新安装的工作区请提交问题生成自己的分析记录。生成业务数据、启动服务和读取历史不调用模型，新建分析时才调用 LLM。

.\.venv\Scripts\python.exe scripts/check_models.py --live

常规离线测试与构建：

.\.venv\Scripts\python.exe -m pytest backend/tests -q
npm --prefix frontend test
npm --prefix frontend run build

backend/insight/   Agent 工作流、API、连接器、分析工具与记忆
frontend/         对话工作台、结果图表与分析过程展示
scenarios/        业务模型、指标、关联与数据生成配置
skills/           通用与领域分析 Skill
scripts/          原生启动、初始化与验证入口
docs/images/      README 产品截图

核心实现入口：

• 多智能体工作流
• 长期记忆与双路召回
• SQL 校验与执行
• 连接器
• 确定性分析工具
• Skill 选择与加载

本项目采用 MIT License。