现在 AI Agent 很火，但很多文章讲得太玄：规划、工具调用、多智能体……听完还是不知道怎么落地。

今天我们做一个具体项目：AI 数据分析助手。用户输入一句问题，比如“哪个城市销售额最高”，系统自动选择分析函数，输出表格结果和文字结论。

这就是 Agent 的最小形态：理解任务、调用工具、返回结果。

一、项目目标

给一份销售数据，支持 4 类自然语言问题：

1. 1. 总销售额是多少？
2. 2. 哪个城市销售额最高？
3. 3. 每个月销售趋势如何？
4. 4. 哪个品类利润率最高？

二、可视化总览：一个最小 Agent 怎么工作

这张图可以放在开头解释 Agent 的本质：不是“神秘地自动分析”，而是先判断用户意图，再调用受控工具，最后输出表格、图表和结论。

这张图适合放在城市销售额案例后面。公众号读者对图的感知比表格更快，一眼就能看出哪个城市贡献最大。

三、准备数据

import pandas as pd

df = pd.DataFrame({
    "date": pd.to_datetime([
        "2025-01-01", "2025-01-03", "2025-02-01",
        "2025-02-08", "2025-03-01", "2025-03-12"
    ]),
    "city": ["广州", "深圳", "广州", "上海", "深圳", "广州"],
    "category": ["食品", "数码", "服饰", "食品", "数码", "服饰"],
    "sales": [1200, 5200, 2600, 1800, 6100, 3300],
    "profit": [300, 1300, 600, 420, 1500, 780]
})

四、第一步：把分析能力封装成工具

def total_sales(df):
    value = df["sales"].sum()
    return {
        "table": pd.DataFrame({"指标": ["总销售额"], "数值": [value]}),
        "summary": f"当前数据总销售额为 {value:.0f} 元。"
    }

def top_city(df):
    result = (
        df.groupby("city")["sales"]
        .sum()
        .sort_values(ascending=False)
        .reset_index()
    )
    city = result.iloc[0]["city"]
    sales = result.iloc[0]["sales"]
    return {
        "table": result,
        "summary": f"销售额最高的城市是 {city}，销售额为 {sales:.0f} 元。"
    }

def monthly_trend(df):
    temp = df.copy()
    temp["month"] = temp["date"].dt.to_period("M").astype(str)
    result = temp.groupby("month")["sales"].sum().reset_index()
    return {
        "table": result,
        "summary": "已生成按月销售趋势表，可继续绘制折线图。"
    }

def top_profit_category(df):
    result = df.groupby("category").agg(
        sales=("sales", "sum"),
        profit=("profit", "sum")
    ).reset_index()
    result["profit_rate"] = result["profit"] / result["sales"]
    result = result.sort_values("profit_rate", ascending=False)
    best = result.iloc[0]["category"]
    return {
        "table": result,
        "summary": f"利润率最高的品类是 {best}。"
    }

五、第二步：做一个简单意图识别器

正式项目可以接大模型，这里先用关键词规则跑通。

def route_question(question):
    q = question.lower()

    if "总销售" in q or "销售额是多少" in q:
        return "total_sales"
    if "城市" in q and ("最高" in q or "最多" in q):
        return "top_city"
    if "每月" in q or "月份" in q or "趋势" in q:
        return "monthly_trend"
    if "利润率" in q or "品类" in q:
        return "top_profit_category"

    return "unknown"

六、第三步：工具注册和调用

tools = {
    "total_sales": total_sales,
    "top_city": top_city,
    "monthly_trend": monthly_trend,
    "top_profit_category": top_profit_category
}

def ask_agent(question, df):
    tool_name = route_question(question)

    if tool_name == "unknown":
        return {
            "table": pd.DataFrame(),
            "summary": "暂时不支持这个问题，可以尝试问销售额、城市、趋势或利润率。"
        }

    result = tools[tool_name](df)
    result["tool"] = tool_name
    return result

answer = ask_agent("哪个城市销售额最高？", df)
print("调用工具：", answer["tool"])
print(answer["summary"])
print(answer["table"])

这就是一个非常小的 Agent：它会根据问题选择工具。

七、第四步：自动生成图表

import matplotlib.pyplot as plt

answer = ask_agent("每个月销售趋势如何？", df)
trend = answer["table"]

plt.figure(figsize=(8, 4))
plt.plot(trend["month"], trend["sales"], marker="o")
plt.title("月度销售趋势")
plt.xlabel("月份")
plt.ylabel("销售额")
plt.tight_layout()
plt.show()

八、项目升级路线

九、避坑指南

总结

AI 数据分析助手的技术逻辑是：

1. 1. 把分析能力封装成工具；
2. 2. 识别用户问题意图；
3. 3. 调用对应工具；
4. 4. 返回表格、图表和文字结论；
5. 5. 记录过程，方便排查。

别一上来就追求复杂 Agent。先把一个小助手跑通，你就真正理解了 Agent 的落地逻辑。