DATAGEN
多 Agent 协作流水线，把数据文件变成完整研究报告
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
多 Agent 协作流水线，把数据文件变成完整研究报告
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。
想象你是一位市场研究员，手头有 10 万行销售数据，需要在一周内完成竞品分析报告。传统流程是：写 Python 脚本清洗数据 → 用 pandas 聚合 → 用 matplotlib 画图 → 手工撰写报告。每一个步骤都需要人工介入，而且一旦需求变更（比如"加一组用户画像维度"），就要推翻重来。
更棘手的是，很多分析任务并非机械的数据操作，而是需要判断力的研究工作：如何提出有效的研究假设？如何根据初步结果动态调整分析方向？这些"软技能"在传统工具链里完全无法自动化。
DATAGEN 正是为了解决这个矛盾而诞生的：它用多个专业化 AI Agent 组成流水线，从假设生成、数据处理、可视化、报告撰写到质量审核，全部由 AI 自动完成，人只需在关键节点做决策。
图1：DATAGEN 系统架构
DATAGEN 的架构设计借鉴了软件工程中的团队协作模式：不是让一个通用 AI 处理所有事，而是给每个任务分配最合适的"专员"。
DATAGEN 的底层编排引擎是 LangGraph——LangChain 生态中的有向状态图框架。相比简单的 Chain（链式调用），LangGraph 允许定义节点（Node）和边（Edge），从而实现：
MemorySaver 保存中间状态，支持断点续跑recursion_limit 防止无限循环# src/core/workflow.py 核心结构
class WorkflowManager:
members = ["Hypothesis", "Process", "Visualization",
"Search", "Coder", "Report", "QualityReview", "note", "Refiner"]
def setup_workflow(self):
# 9 个 Agent 节点，通过边连接成 DAG
graph = StateGraph(State)
for member in self.members:
graph.add_node(member, agent_node)
# ... 条件边定义
DATAGEN 定义了 9 个专业化 Agent，每个承担特定职责：
| Agent | 职责 | 默认模型 |
|---|---|---|
| Hypothesis Agent | 生成研究假设 | GPT-5-mini |
| Process Agent | 监督整体研究流程 | Gemini-2.5-Pro |
| Code Agent | 编写数据分析代码 | Claude-haiku-4 |
| Visualization Agent | 生成图表 | GPT-5-nano |
| Search Agent | 网络搜索补充信息 | Gemini-2.5-Flash |
| Report Agent | 撰写研究报告 | GPT-5-nano |
| Quality Review Agent | 质量审核 | GPT-5-mini |
| Note Agent | 记录研究过程状态 | Gemini-2.5-Pro |
| Refiner Agent | 根据审核意见改进 | GPT-5-nano |
每个 Agent 的模型配置独立可调，通过 config/agent_models.yaml 管理，支持 OpenAI、Google (Gemini)、Anthropic、Ollama、Groq 等多提供商。这意味着用户可以组合使用不同模型——比如用 Claude 写代码（擅长逻辑），用 Gemini 做流程监督（上下文窗口大），用 GPT 做图表生成（成本低）。
DATAGEN 深度集成了 Model Context Protocol (MCP)，这是一个让 AI Agent 与外部工具标准化交互的协议。配置文件 config/mcp.yaml 定义了三个开箱即用的 MCP Server：
./data/ 目录）所有 Agent 都默认启用 Filesystem MCP，这意味着它们可以直接读写工作目录中的数据文件——这是传统 RAG 方案做不到的：大多数 RAG 系统只能"读"，而 DATAGEN 的 Agent 可以直接创建、修改文件。
工具的注册和加载通过 ToolFactory 完成，支持 config.yaml 动态配置，不需要改代码就能添加新工具。核心工具包括：
DATAGEN 的标准工作流分为 5 个阶段：
阶段 1：假设生成（Hypothesis）
用户只需提供数据文件路径（如 datapath:OnlineSalesData.csv）和任务描述（如"用机器学习做数据分析并生成报告"），Hypothesis Agent 会根据数据特征自动生成若干研究假设。
阶段 2：人工确认（Human-in-the-loop）
系统停下来，等待用户确认或修改假设。这是唯一的"人工介入点"，确保研究方向正确。
阶段 3：并行执行
Process Agent 协调下，Code Agent 写分析代码 → Visualization Agent 生成图表 → Search Agent 补充外部数据 → Report Agent 撰写报告。各 Agent 通过共享状态（Note Agent）保持上下文一致。
阶段 4：质量审核
Quality Review Agent 检查报告的完整性、准确性和可读性。
阶段 5：迭代改进
如果审核不通过，Refiner Agent 根据审核意见修改报告，再次提交审核，直至通过或达到 max_iterations 上限。
DATAGEN 本身是纯 Python CLI 工具，无 Web UI，部署依赖：
部署步骤：
git clone → conda create -n datagen python=3.10pip install -r requirements.txt.env 文件（填入各 LLM Provider API Keys）./data/ 目录main.py 中的 user_input → python main.py难度评估：中等。主要门槛在于 API Keys 的准备（需要多个 Provider）和 ChromeDriver 的安装。配置文件的 YAML 结构清晰，文档较完整，有快速入门指南。对于有 Python 经验的开发者，预计 30 分钟可完成部署。
任何技术方案都有边界，DATAGEN 的局限性值得正视：
1. 数据安全性风险
README 中明确标注了警告："The agent system may modify the data being analyzed"——分析过程中 Agent 会直接修改原始数据文件。如果用于生产环境，必须先做好数据备份，且建议在隔离环境中运行。
2. API 成本不可控
九大 Agent 同时运行，每个 Agent 都有独立的 max_iterations 配置。在复杂任务中，可能产生大量 API 调用。若使用 GPT-4 / Claude-3 等高价模型，单次分析成本可能达到数十美元。
3. 无容器化
项目没有 Dockerfile 或 docker-compose，无法通过容器一键部署。这在团队协作场景下增加了环境一致性管理的成本。
4. Web UI 缺失
纯命令行交互，非技术用户上手门槛较高。没有可视化进度展示，调试依赖日志文件。
5. MCP 依赖外部服务
Web Search MCP 依赖 Tavily API（付费），GitHub MCP 依赖 GitHub Token。MCP Server 的稳定性直接影响整体可用性。
DATAGEN 的 1751 颗星（截至 2026 年 6 月）和 238 个 Fork，说明它切中了一个真实需求：用 Agent 自动化"分析型脑力劳动"。
这个方向的更大趋势是 Agentic BI（智能体驱动的商业智能）。传统 BI 工具（如 Tableau、PowerBI）需要人工定义报表，而 Agent BI 可以理解自然语言查询、自动生成可视化、甚至主动发现异常。DATAGEN 是这个方向的一个开源实验。
GitHub 数据显示该项目最近更新活跃（2026 年 4 月有 push），作者 starpig1129 还维护了 PheroPath（多智能体通信协议）和 PigPig（多模态 Discord Bot），是一个活跃的 AI Agent 开发者。
DATAGEN 是一个架构清晰、扩展性强的多 Agent 数据分析框架。对于需要快速完成数据分析报告的研究人员和数据分析师，它提供了一条从原始数据到完整报告的自动化流水线；对于 AI 开发者，它是学习 LangGraph 多 Agent 编排的优秀参考项目。
推荐场景：学术研究、商业竞品分析、周期性报告自动化。
慎用场景：敏感数据（会修改原文件）、低成本优先的场景（API 费用不可控）。