如何从零开始搭建Jupyter数据分析智能体？

本文将带你从零搭建一个数据分析智能体，实现用户上传Excel并给出指令后，智能体能够深入分析数据、进行可视化，并以Jupyter Notebook形式返回结果。我们将重点讨论以下核心要点： 智能体设计模式：为何全自动React模式可行但并非最优解 Context Engineering：如何通过上下文管理思路优化效果 复杂任务Prompt设计：Meta Prompt + 领域最佳实践的高效组合 完整Agent代码详见DAAgent 智能体设计 数据分析智能体本质上是具备编码能力、能够使用编程工具的智能体。考虑到单次编码可能不完善，需要多轮迭代调试优化，最简单的实现方式是采用React策略，让模型不断编写和优化代码。 但线性React模式很快会遇到两个关键问题： 模型上文很快耗尽：coding是很费token的，尤其traceback更是长的离谱，所以很快就报token limit了 线性模式存在推理惯性：同样因为上文太长，模型在修复问题时会让分析也限于局部优化，整个数据分析会简单，广度和深度都不足 为解决以上线性REACT的问题，我们加入Plan模块，先对问题进行拆解，再让REACT去解决每个局部问题，只要子问题足够聚焦，以上两个问题就都能规避。 于是我们第一版Data Agent的设计思路就有了，包含以下3个模块 Planner：将数据分析任务拆解为多个串联步骤 Publisher：遍历Plan生成的步骤，分发给Coder执行 coder：基于当前步骤生成代码，通过多轮循环优化直至执行成功 下面我们依次说下这三个模块，和中间涉及到的context engineering，meta prompting，MCP使用的一些问题和细节。 Planner Planner采用结构化推理，输出以下Plan结构体。我们使用一次性规划模式，输入仅包含文件预览和用户查询，不基于后续编码反馈调整规划（简单架构能避免许多复杂问题）。