| name | data-analysis-report-agent |
| description | 数据分析报告Agent。触发条件：用户说「帮我分析数据」「做一份数据分析报告」「分析利润率/销售/品类走势」「找出异常原因」「数据归因」「跑一次数据分析」。大脑Agent（BrainAgent）主导分析决策，内置DEFINE→PLAN→REFLECT三阶段迭代，最多5轮，取数Agent执行结构化取数，全链路Harness硬校验，结论可追溯到具体数据字段，最终输出HTML报告。 |
| runner | python runner.py |
| entry | D:\知识库\skills\data-analysis-report-agent\runner.py |
| allowed tools | Read, Write, Bash, Glob, Grep, Agent |
| last_verified | "2026-05-17T00:00:00.000Z" |
data-analysis-report-agent — 数据分析报告Agent
核心定位
解决普通LLM分析的三大结构性问题：
| 问题 | 本系统的对策 |
|---|
| 数据复述，无归因 | DEFINE阶段先设假设，REFLECT对照验证 |
| 结论无法追溯来源 | Harness强校验：每条finding必须有data_source |
| 推断组织原因（无数据） | 组织归因不是必须模块，无数据则跳过 |
| 不知道何时停止分析 | 硬代码停止判断（轮次/影响阈值/重叠度），非LLM自判 |
架构总览
Experience库（人工撰写，业务判断力唯一来源）
↓ 注入上下文
BrainAgent (temp=0.3)
├── Phase 1: 设计分析框架 → 01_framework.json
├── Phase 2: 迭代循环（≤5轮）
│ DEFINE（问自己）→ 假设+判断标准
│ PLAN （问数据）→ Plan JSON → Harness校验
│ ACT → FetcherAgent执行取数
│ REFLECT（问自己）→ 对照假设解读 → CONTINUE/PIVOT/STOP
└── Phase 3: 整合洞察 → final_insights JSON
↓
FormatterAgent (temp=0.1) → ECharts配置
DesignerAgent (temp=0.2) → HTML报告
快速调用
最小调用（MockFetcher演示）
from runner import AnalysisRunner
from agents import MockFetcher
runner = AnalysisRunner(
fetcher=MockFetcher(),
output_path="output/report.html"
)
runner.run("分析2024年各品类利润率走势，找出异常并归因")
命令行
cd D:\知识库\skills\data-analysis-report-agent
python runner.py --demo
python runner.py -q "你的分析问题" -o report.html
接入真实数据源
from agents.fetcher_agent import BaseFetcher
class MyFetcher(BaseFetcher):
def fetch(self, plan: dict) -> dict:
rows = my_db_query(plan['query_spec'])
return {"row_count": len(rows), "fields": list(rows[0].keys()), "rows": rows}
runner = AnalysisRunner(fetcher=MyFetcher(), output_path="report.html")
runner.run("你的分析问题")
文件结构
data-analysis-report-agent/
├── SKILL.md ← 本文件（主索引）
├── config.py ← 所有参数（MAX_ROUNDS=5, MIN_IMPACT_PCT=3%）
├── runner.py ← 主入口
├── agents/
│ ├── brain_agent.py ← 大脑Agent（DEFINE→PLAN→REFLECT）
│ ├── fetcher_agent.py ← 取数Agent（BaseFetcher + MockFetcher）
│ ├── formatter_agent.py ← 制图Agent
│ └── designer_agent.py ← 设计Agent（HTML报告）
├── harness/
│ ├── plan_validator.py ← Plan格式硬校验
│ ├── data_validator.py ← 取数结果硬校验
│ └── output_validator.py ← 结论可追溯性校验
├── experience/ ← 经验库（必须人工撰写）
│ ├── thresholds.json ← 业务阈值
│ ├── priority_rules.md ← 优先级逻辑
│ ├── good_summaries.md ← 好结论范例+禁用词表
│ └── plan_schema.json ← Plan格式Schema
├── run_logs/demo_run/ ← 5轮示例留档
├── examples/ ← 接入示例（CSV/SQL/demo）
└── docs/ ← 架构文档+定制指南
关键配置（config.py）
MAX_ROUNDS = 5
MIN_IMPACT_PCT = 3.0
OVERLAP_THRESHOLD = 0.80
BRAIN_TEMP = 0.3
FETCHER_TEMP = 0.0
ALLOWED_STEPS = ['trend_analysis','decomposition','attribution','risk_mining']
经验库维护规范
关键原则：experience/ 目录必须由人工（领域专家）撰写，不能由LLM自动生成。
LLM自生成经验库 = 系统退化为普通LLM分析，丧失业务判断力。
更新频率建议：
thresholds.json：每季度或业务目标调整时priority_rules.md：每半年结合案例复盘good_summaries.md：出现优秀分析案例时及时沉淀
环境依赖
pip install anthropic
ANTHROPIC_API_KEY=your_key（环境变量）
Python 3.11+
GitHub仓库
https://github.com/bzwh321/data-analysis-report-agent
（本地路径与GitHub保持同步，在此目录执行 git push 即可更新）
