第 30 课 | 场景二交付数据问答 Agent 效果验证从第 21 课到第 29 课我们完成了场景二「数据问答 Agent」的完整闭环。这节课复盘全部成果量化效率提升沉淀可复用经验。一、场景二全流程回顾21 需求拆解明确痛点22 Tool CallingAgent 学会调用工具23 Text-to-SQL自然语言→SQL24 ReAct 推理多步思考纠错25 记忆系统上下文记忆26 LangGraph图编排27 Plan-and-Execute先规划后执行28 可视化交互图表29 Human-in-the-Loop人工确认30 交付复盘效果验证每课核心能力课次主题核心能力技术栈21需求拆解明确数据分析师痛点业务分析22Tool CallingAgent 学会调用工具Function Calling23Text-to-SQL自然语言→SQLSQLAlchemy LLM24ReAct 推理多步思考自我纠错Thought-Action-Observation25记忆系统记住上下文ConversationBufferMemory26LangGraph状态图编排StateGraph27Plan-and-Execute先规划再执行Planner Executor28可视化交互图表plotly29Human-in-the-Loop关键步骤人工确认LangGraph interrupt二、系统能力全景2.1 支持的查询类型类型一简单查询 用户「华东区上个月销售额是多少」 Agent查数据库 → 返回结果 → 可视化 类型二对比分析 用户「对比华东和华南各品类销售情况」 AgentPlan → 并行查询 → 对比排序 → 生成图表 类型三趋势分析 用户「分析过去半年的销售趋势」 Agent查询12个月数据 → 计算环比 → 识别拐点 → 趋势图 类型四异常检测 用户「为什么3月份销售额下降了」 Agent查询3月数据 → 对比2月 → 按维度下钻 → 归因分析2.2 Agent 工作流通过修改 用户自然语言提问 Planner分解任务为步骤Step 1SQL 生成 人工审核SQL 是否正确?Step 2执行查询Step 3结果分析Step 4可视化图表 最终答案 图表三、效率对比3.1 耗时对比任务类型人工操作Agent 系统提升倍数简单查询单表15 分钟3 秒300x复杂分析多表 JOIN1 小时30 秒120x多维度对比30 分钟10 秒180x趋势分析报告2 小时20 秒360x异常归因分析3 小时1 分钟180xSQL 技能要求必须精通 SQL零门槛自然语言-3.2 质量对比质量维度人工Agent说明准确性95%熟练分析师90%带 HITL人工审核 SQL 提升准确率一致性因人而异100% 一致同样的查询永远返回相同格式可追溯性依赖分析师记录每一步有日志可审计、可复现并发能力1 人同时做 1 件事无限制天然支持并发四、ROI 计算4.1 人力成本节省假设场景中型企业2 名数据分析师 - 每个分析师每天处理约 10 个查询请求 - 简单查询占 60%复杂查询占 30%深度分析占 10% 人工耗时 - 简单查询10 × 60% × 15 分钟 90 分钟/天 - 复杂查询10 × 30% × 60 分钟 180 分钟/天 - 深度分析10 × 10% × 120 分钟 120 分钟/天 - 合计390 分钟/天 6.5 小时/天 Agent 耗时 - 简单查询10 × 60% × 3 秒 18 秒 - 复杂查询10 × 30% × 30 秒 90 秒 - 深度分析10 × 10% × 60 秒 60 秒 - 合计168 秒/天 ≈ 3 分钟/天 日节省6.5 小时 - 3 分钟 ≈ 6.4 小时/天4.2 年度 ROI月人力节省: 80 小时 × 100 元/时 8,000 元 年人力节省: 96,000 元 技术成本: 约 1,800 元/年LLM API 服务器 年净节省: 94,200 元 ROI: 94,200 / 1,800 52x五、踩坑与经验5.1 技术踩坑问题表现解决方案SQL 幻觉LLM 生成不存在的表名在 Prompt 中提供完整 Schema参数注入用户输入恶意 SQL 片段输入过滤 参数化查询图表选择自动选择的图表不合适让用户可选图表类型记忆溢出长对话后上下文丢失使用 SummaryMemory 压缩步骤遗漏ReAct 漏掉关键步骤改用 Plan-and-Execute5.2 上线前检查清单所有 SQL 查询都经过 HITL 人工审核数据库连接使用只读账号查询超时设置30 秒结果集大小限制最多 1000 行错误处理SQL 错误不暴露给用户日志记录每次查询记录到审计日志六、展望场景三场景三「多智能体决策支持」将引入多个专业 Agent 协作市场研究员 Agent负责信息收集竞品分析师 Agent负责竞品对比风险评估师 Agent负责风险识别报告撰写 Agent负责综合输出四个 Agent 在 Supervisor 的协调下完成单个 Agent 无法完成的复杂决策任务。这是 Agent 技术的终极形态——从「一个人」到「一个团队」。七、本课小结场景二从需求到交付共计 9 课构建了完整的 Text-to-SQL Agent效率提升 120-360xROI 达 52x关键技术Tool Calling、ReAct、LangGraph、Plan-and-Execute、HITLHITL 是准确率的关键保障在关键步骤加入人工确认本课为复盘课无代码。
「AI Agent 全栈开发 50 讲」——从本地模型部署到多智能体系统，一年省 87 万 第 30 课 | 场景二交付：数据问答 Agent 效果验证
第 30 课 | 场景二交付数据问答 Agent 效果验证从第 21 课到第 29 课我们完成了场景二「数据问答 Agent」的完整闭环。这节课复盘全部成果量化效率提升沉淀可复用经验。一、场景二全流程回顾21 需求拆解明确痛点22 Tool CallingAgent 学会调用工具23 Text-to-SQL自然语言→SQL24 ReAct 推理多步思考纠错25 记忆系统上下文记忆26 LangGraph图编排27 Plan-and-Execute先规划后执行28 可视化交互图表29 Human-in-the-Loop人工确认30 交付复盘效果验证每课核心能力课次主题核心能力技术栈21需求拆解明确数据分析师痛点业务分析22Tool CallingAgent 学会调用工具Function Calling23Text-to-SQL自然语言→SQLSQLAlchemy LLM24ReAct 推理多步思考自我纠错Thought-Action-Observation25记忆系统记住上下文ConversationBufferMemory26LangGraph状态图编排StateGraph27Plan-and-Execute先规划再执行Planner Executor28可视化交互图表plotly29Human-in-the-Loop关键步骤人工确认LangGraph interrupt二、系统能力全景2.1 支持的查询类型类型一简单查询 用户「华东区上个月销售额是多少」 Agent查数据库 → 返回结果 → 可视化 类型二对比分析 用户「对比华东和华南各品类销售情况」 AgentPlan → 并行查询 → 对比排序 → 生成图表 类型三趋势分析 用户「分析过去半年的销售趋势」 Agent查询12个月数据 → 计算环比 → 识别拐点 → 趋势图 类型四异常检测 用户「为什么3月份销售额下降了」 Agent查询3月数据 → 对比2月 → 按维度下钻 → 归因分析2.2 Agent 工作流通过修改 用户自然语言提问 Planner分解任务为步骤Step 1SQL 生成 人工审核SQL 是否正确?Step 2执行查询Step 3结果分析Step 4可视化图表 最终答案 图表三、效率对比3.1 耗时对比任务类型人工操作Agent 系统提升倍数简单查询单表15 分钟3 秒300x复杂分析多表 JOIN1 小时30 秒120x多维度对比30 分钟10 秒180x趋势分析报告2 小时20 秒360x异常归因分析3 小时1 分钟180xSQL 技能要求必须精通 SQL零门槛自然语言-3.2 质量对比质量维度人工Agent说明准确性95%熟练分析师90%带 HITL人工审核 SQL 提升准确率一致性因人而异100% 一致同样的查询永远返回相同格式可追溯性依赖分析师记录每一步有日志可审计、可复现并发能力1 人同时做 1 件事无限制天然支持并发四、ROI 计算4.1 人力成本节省假设场景中型企业2 名数据分析师 - 每个分析师每天处理约 10 个查询请求 - 简单查询占 60%复杂查询占 30%深度分析占 10% 人工耗时 - 简单查询10 × 60% × 15 分钟 90 分钟/天 - 复杂查询10 × 30% × 60 分钟 180 分钟/天 - 深度分析10 × 10% × 120 分钟 120 分钟/天 - 合计390 分钟/天 6.5 小时/天 Agent 耗时 - 简单查询10 × 60% × 3 秒 18 秒 - 复杂查询10 × 30% × 30 秒 90 秒 - 深度分析10 × 10% × 60 秒 60 秒 - 合计168 秒/天 ≈ 3 分钟/天 日节省6.5 小时 - 3 分钟 ≈ 6.4 小时/天4.2 年度 ROI月人力节省: 80 小时 × 100 元/时 8,000 元 年人力节省: 96,000 元 技术成本: 约 1,800 元/年LLM API 服务器 年净节省: 94,200 元 ROI: 94,200 / 1,800 52x五、踩坑与经验5.1 技术踩坑问题表现解决方案SQL 幻觉LLM 生成不存在的表名在 Prompt 中提供完整 Schema参数注入用户输入恶意 SQL 片段输入过滤 参数化查询图表选择自动选择的图表不合适让用户可选图表类型记忆溢出长对话后上下文丢失使用 SummaryMemory 压缩步骤遗漏ReAct 漏掉关键步骤改用 Plan-and-Execute5.2 上线前检查清单所有 SQL 查询都经过 HITL 人工审核数据库连接使用只读账号查询超时设置30 秒结果集大小限制最多 1000 行错误处理SQL 错误不暴露给用户日志记录每次查询记录到审计日志六、展望场景三场景三「多智能体决策支持」将引入多个专业 Agent 协作市场研究员 Agent负责信息收集竞品分析师 Agent负责竞品对比风险评估师 Agent负责风险识别报告撰写 Agent负责综合输出四个 Agent 在 Supervisor 的协调下完成单个 Agent 无法完成的复杂决策任务。这是 Agent 技术的终极形态——从「一个人」到「一个团队」。七、本课小结场景二从需求到交付共计 9 课构建了完整的 Text-to-SQL Agent效率提升 120-360xROI 达 52x关键技术Tool Calling、ReAct、LangGraph、Plan-and-Execute、HITLHITL 是准确率的关键保障在关键步骤加入人工确认本课为复盘课无代码。
