DeepAnalyze

DeepAnalyze：首个自主数据科学的 Agentic LLM

你有没有过这样的经历：老板丢给你一份 10 万行的 Excel 报表，让你"分析一下有什么规律"，然后你对着满屏的数字发呆，不知道从哪下手——清洗数据、选模型、画图、写报告，一套流程下来半天没了。而现在，想象一个 AI 助理，你只要把数据文件扔给它，它就能像一位资深数据分析师一样，自己跑代码、自己出图、自己生成一份结构清晰的研究报告，全程不需要你插手。

这就是 DeepAnalyze 试图做的事——把数据科学工作流彻底自动化。

图1：DeepAnalyze 官方 Logo

背景：数据科学为什么这么难自动化？

数据科学之所以难以被 AI 自动化，是因为它从来不是一个单一任务，而是一条长长的流水线：数据加载 → 清洗 → 探索性分析 → 特征工程 → 建模 → 可视化 → 报告撰写。每一步都可能遇到意料之外的数据问题，分析师需要凭借经验判断下一步该做什么——这是典型的"开放性决策"问题，传统的规则系统根本无法应对。

大语言模型（LLM）的出现让这条路出现了转机。当模型足够强大时，它不仅能理解自然语言指令，还能生成并执行 Python 代码，甚至能在执行结果的基础上反思、调整策略，进行多轮迭代。但这需要一个前提：模型必须经过专门的 Agentic 训练，学会管理代码执行循环、理解数据任务的工作流，而不仅仅是做问答。

DeepAnalyze 正是在这个背景下诞生的——由**中国人民大学数据科学实验室（ruc-datalab）**训练，发布了专门的论文（arXiv:2510.16872），并在 HuggingFace 上开源了完整的模型、代码、训练数据和演示案例。

类比解释：DeepAnalyze 就像是"给数据分析师配备的自动驾驶仪"

如果说传统的数据分析工具（如 Excel、SPSS）是"手动挡汽车"，那 DeepAnalyze 更像是"数据科学领域的自动驾驶仪"：

• 传统工具：你告诉它"画个折线图"，它就画个折线图。你得自己决定画什么、先画什么、后画什么。
• DeepAnalyze：你告诉它"分析这份销售数据，找出增长机会"，它会自己规划分析路径、编写代码、调试错误、迭代结果，最终直接给你一份完整的分析报告。

它的底层是 DeepAnalyze-8B，一个专门为数据科学任务微调的语言模型。8B 参数规模意味着它足够轻量，普通开发者可以在消费级 GPU 上运行，同时又足够强大，能够处理复杂的多步骤分析推理。

图2：DeepAnalyze-8B 模型架构与训练流程示意

核心功能：一条流水线，通吃所有数据任务

DeepAnalyze 的核心能力可以归结为两大类：

第一类：端到端数据科学流水线（Specific Data Tasks）

给定一个数据集和具体分析目标（如"预测客户流失概率"），DeepAnalyze 能够自主完成整个流程：加载数据 → 清洗缺失值和异常值 → 特征工程 → 模型选择与训练 → 评估与调优 → 生成可视化结果。开发者只需调用一个 DeepAnalyzeVLLM 类，传入模型路径和数据路径即可。代码示例极为简洁：

from deepanalyze import DeepAnalyzeVLLM
deepanalyze = DeepAnalyzeVLLM("/path/to/model")
answer = deepanalyze.generate(prompt, workspace="/path/to/data/")
print(answer["reasoning"])

第二类：开放式数据研究（Open-ended Data Research）

这是更有挑战性的场景——当你不知道数据里有什么，想让 AI 自己去"挖掘"时，DeepAnalyze 同样能搞定。它支持多种数据格式：结构化数据（CSV、Excel、数据库）、半结构化数据（JSON、XML、YAML）、非结构化数据（TXT、Markdown）。它能跨数据源联合查询，最终输出分析师级别的研究报告。

图3：DeepAnalyze WebUI 交互界面

多种接入方式：总有一款适合你

DeepAnalyze 提供了完整的接入层，覆盖从技术极客到业务人员的各类用户：

接入方式	说明	适用人群
Python API	直接调用 DeepAnalyzeVLLM 类	开发者、Data Scientist
FastAPI 服务	部署 REST API，支持 OpenAI-style 接口	需要集成的系统
WebUI v2	图形化界面，支持 HeyWhale API + Docker 沙箱	业务人员、轻量用户
Jupyter 集成	基于 jupyter-mcp-server，在 Jupyter 中直接使用	数据分析师
CLI 终端	命令行交互，无需浏览器	运维、无界面服务器

值得注意的是，官方在 2025 年 12 月还推出了 API Key 服务（通过 Google Form 或飞书申请），用户无需自己部署模型，直接调用官方托管的 API 即可使用，大大降低了门槛。

图4：DeepAnalyze 在金融数据分析场景的实际效果

技术架构：vLLM + 多轮 Agent 推理

从代码结构来看，DeepAnalyze 的技术选型非常务实：

• vLLM：使用 vLLM 作为推理引擎，支持高效的 LLM 推理吞吐，带 OpenAI-style 接口，兼容性好
• 多轮推理循环：DeepAnalyzeVLLM.generate() 内部支持最多 30 轮迭代，每次迭代中模型生成 Python 代码，通过 exec() 执行并捕获输出，根据结果决定下一步动作——典型的 ReAct/Agent 模式
• 沙箱隔离：代码执行通过 Docker 容器沙箱隔离，确保恶意代码不会影响宿主机，WebUI v2 已支持 Docker 沙箱模式
• 丰富的 ML 生态：Dockerfile 内置了完整的数据科学工具链——pandasql、pyjanitor（数据清洗）、prophet（时间序列）、dowhy/causalml（因果推断）、geopandas（地理分析）等，不需要用户另行安装

Dockerfile 的设计也体现了工程上的考量：基于 nvidia/cuda:12.1.0-devel-ubuntu22.04，预装了 vLLM 和大量 ML 库，通过 docker-compose.yml 可以一键启动带 GPU 支持的推理环境。

图5：DeepAnalyze 生成的金融数据分析报告示例

部署体验：Docker 一键启动，但模型权重是门槛

从部署角度看，DeepAnalyze 的工程化程度相当高：

• 提供完整的 docker/Dockerfile 和 docker/docker-compose.yml，支持 GPU 直通，一行命令启动 vLLM 推理服务
• 提供 FastAPI 服务端，OpenAI-style 接口，与现有 LLM 应用生态无缝衔接
• WebUI v2 支持 Docker 沙箱执行代码，安全性有保障
• 但需要自行准备模型权重，DeepAnalyze-8B 权重需通过官方申请（或自行基于开源训练数据微调），这不是一个简单的 pip install 就能解决的问题
• 硬件要求较高，需要 NVIDIA GPU + CUDA 12.1，16GB+ 显存，32GB+ 内存，磁盘 50GB+

如果选择使用官方 API Key（需申请），部署门槛会大幅降低，但数据隐私需要自行评估。

局限与挑战：模型微调的能力边界

DeepAnalyze 也存在一些客观局限：

1. 模型规模限制：8B 参数模型在处理超大规模数据集或极其复杂的建模任务时，能力上限明显低于 GPT-4、Claude 等超大模型
2. 代码执行安全：虽然 WebUI 支持 Docker 沙箱，但 Python API 模式下的 exec() 执行是在宿主机上直接运行，恶意或错误的代码可能带来风险
3. 数据隐私：使用官方 API Key 时，数据会上传到第三方服务器，不适合处理敏感商业数据
4. 部署复杂度：对于没有 GPU 或不熟悉 Docker 的用户，完整的本地部署仍有一定门槛

行业意义：Agentic AI 赋能数据科学的里程碑

DeepAnalyze 的意义不仅在于它是一个好用的工具，更在于它代表了 LLM 在垂直领域 Agentic 化的趋势。2025 年是 AI Agent 元年，但大多数 Agent 项目聚焦在编程（Code Agent）、搜索（Research Agent）等方向，数据科学领域的自动化一直进展缓慢。DeepAnalyze 的出现证明了：经过针对性微调的 8B 模型，在数据科学任务上可以取得不错的效果，且具备真正的实用价值。

从增长曲线来看，GitHub Stars 达到 4182（还在增长），说明开发者社区对其关注度很高。随着更多企业级数据分析和 AI 应用场景的落地，这类工具的需求会持续增长。

---

总结：DeepAnalyze 是目前最完整的开源自主数据科学 Agent 方案，模型、代码、训练数据全开源，工程化程度高（Docker/API/WebUI 全套），适合有 GPU 资源且对数据隐私有控制权的技术团队。对于普通用户，官方 API Key 方式是更轻量的入门选择。