ai-data-science-team
用一群各有专长的 AI 代理，自动完成数据加载、清洗、可视化、建模的全流程
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
用一群各有专长的 AI 代理，自动完成数据加载、清洗、可视化、建模的全流程
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象一个真实场景：你接手一份陌生数据集，需要先做 EDA 探索，再清洗异常值、填补缺失，然后做特征工程、建模、调参，最后把结果记录到 MLflow。每一个步骤你都要自己写代码、自己查文档、自己 debug。做完一次还好，但如果这份数据每天都要更新，每次都要重复这套流程呢？
传统的机器学习工作流是线性串行的——数据工程师、数据科学家、模型工程师各自为战，代码散落在不同 Jupyter Notebook 里，版本混乱、难以复用。更让人头疼的是，当你要把整套流程自动化时，往往面临多语言工具链的集成地狱。
ai-data-science-team 正是来解决这个问题的。它的核心理念是：不给一个 AI 打工，而是让一群各有专长的 AI 代理组成团队，协同完成端到端的数据科学任务。5358 个 GitHub Star 证明了这种思路的吸引力。
图1：AI Data Science Team Logo
ai-data-science-team 由 Business Science 组织开发和维护，这是一个专注于数据科学教育培训的技术团队，旗下拥有著名的 sklearn-pandas、modeltime 等 R/Python 工具包，在数据科学社区有相当的影响力。
项目最初定位为"AI 数据科学家的效率工具包"，随着 LangChain/LangGraph 生态的成熟，团队逐步将底层实现从 LangChain 0.x 迁移到 LangChain 1.0+ 的消息优先 API，并引入了 Supervisor 模式来协调多代理协作。2025 年最新版本（v0.0.0.9017）正式推出了旗舰应用 AI Pipeline Studio，将代理协作能力封装为可视化 Web 应用。
图2：AI Pipeline Studio 主界面（来源：项目 README）
如果你把 AI Pipeline Studio 想象成一个数据工厂，那么各个 Agent 就是工厂里的专职工人：
这些"工人"不是孤立工作的——它们由一个 Supervisor DS Team（主管代理）统一调度。Supervisor 负责理解用户任务，将其分解为子步骤，然后路由给最合适的 Agent，最后汇总各 Agent 的输出返回给用户。
图3：多代理协作架构示意
项目基于 LangGraph 构建有状态的多代理图（Multi-Agent Graph）。supervisor_ds_team.py 是整个编排系统的核心：
Supervisor 采用消息历史检查点（MemorySaver）实现会话持久化，同一个对话中多轮交互不丢失上下文。消息合并策略很有意思：不仅去重，还专门识别并丢弃 LangGraph 内部的 Agent Output Report JSON 块——这些调试信息对用户无意义但会撑爆 LLM 上下文窗口，最大程度保持上下文精简。
Agent 生成的 Python 代码不会直接在宿主环境执行，而是通过 run_code_sandboxed_subprocess 隔离运行，防止恶意代码影响主系统。数据清理代理默认执行一套标准化清洗流程（删除高缺失列、均值/众数填补、去除重复行和极端异常值），但也接受用户自定义修改——在灵活性和规范性之间取得平衡。
AI Pipeline Studio 是整个项目的旗舰应用（apps/ai-pipeline-studio-app/app.py），基于 Streamlit 构建，提供 7 大功能模块：Visual Editor（可视化流水线设计）、Table（数据表格浏览）、Chart（交互式图表生成）、EDA（探索性数据分析报告）、Code（自动生成代码查看）、Model（模型训练与管理）、Predictions（预测结果输出）。
Pipeline Studio 支持手动步骤（用户自己拖拽节点）和 AI 步骤（AI 自动编排）混合使用，输出可保存为 metadata-only（轻量）或 full-data（完整）两种模式，支持 rehydrate（从 metadata 重建完整数据状态）。
图4：AI Data Science Team 全景
| 层级 | 技术 |
|---|---|
| Agent 框架 | LangChain 1.0+ / LangGraph |
| LLM 接口 | OpenAI GPT 系列 / Ollama 本地模型 |
| Web 框架 | Streamlit |
| 数据处理 | Pandas, NumPy, scikit-learn |
| 可视化 | Plotly |
| ML 平台 | H2O AutoML, MLflow |
| 数据库 | SQLAlchemy |
| 代码安全 | 沙箱 subprocess |
依赖设计非常克制——没有引入 Dask/Spark 这类分布式计算框架，而是专注于用可靠的轻量级工具完成端到端数据科学流程，这降低了部署门槛。
git clone https://github.com/business-science/ai-data-science-team.git
cd ai-data-science-team
pip install -e .
streamlit run apps/ai-pipeline-studio-app/app.py
整个安装过程在 10 分钟内完成。运行后浏览器打开 http://localhost:8501 即可使用。
项目要求用户自备 OpenAI API Key（或配置 Ollama 连接本地模型）。没有 GPU 也可以运行——因为所有计算都在本地 Pandas/NumPy 上执行，大模型调用走 API 网络请求。内存建议 4GB 以上，磁盘 2GB 足够。
代码模块化程度很高。如果只想用某个特定 Agent（如数据清洗），可以直接 import 对应的 Python 类，不需要跑整个 Streamlit 应用：
from ai_data_science_team.agents import DataCleaningAgent
from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-4o")
agent = DataCleaningAgent(model=model)
result = agent.invoke_agent(user_instructions="去除缺失值超过40%的列")
必须指出，这个项目目前处于 Beta 阶段（v0.0.0.9017），官方明确警告："Breaking changes may occur until 0.1.0"。对于生产环境使用，这意味着依赖版本锁定不当可能导致未来升级踩坑。
另外，Agent 生成代码的正确性完全依赖底层 LLM 的能力。简单清洗任务（填补均值/众数）表现稳定，但复杂的特征工程逻辑可能出现幻觉——生成看起来合理但语义错误的 Pandas 操作。对于关键业务场景，强烈建议人工审查 Agent 生成的代码。
多代理协作目前依赖 Supervisor 的路由能力，如果任务边界模糊（如"分析这份数据"这种模糊指令），Supervisor 可能在多个 Agent 之间反复横跳，效率反而不如单代理。这提示我们：AI Agent 不是万能药，明确任务边界才能发挥最大价值。
ai-data-science-team 代表了一个正在快速发展的方向：AI Agent 工作流自动化。从 AutoGPT 到 LangGraph，从单代理到多代理协作，社区一直在探索"如何让 AI 真正替代重复劳动"。
相比通用 AI 助手，这个项目选择深耕数据科学垂直领域——每一个 Agent 都是为特定数据任务量身定制的，产出的代码质量远高于通用 LLM 的随机生成。这种"领域专家代理团队"的模式，可能是未来 AI 辅助编程的主流形态之一。
从 GitHub Star 增长曲线看，项目在 2024 年中期有一次明显加速，与 LangChain 1.0 发布和 Supervisor 功能上线的节奏吻合。Business Science 团队持续更新，Roadmap 显示未来将支持更多数据源（AWS S3、Google BigQuery）和更丰富的模型集成（Claude、Gemini）。
如果你在寻找一个开箱即用、有 Web UI、支持多代理协作的数据科学 AI 工具链，ai-data-science-team 是目前 GitHub 上 5000+ Star 量级中难得的 Python 原生方案，值得一试。