DeepAnalyze
面向多源数据的自主分析与专业报告生成助手。
- Star 数
- ★ 4.8k
- 最近更新
- 6 天前
- License
- MIT
- 主语言
- Python
- FA 评分
- 42/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 兼容但需适配
- 费用
- 免费，无需付费服务
- 上手难度
- 高 · 需要较重的基础设施
- 开始前需要
- 典型场景
- 数据分析师需要把多个 CSV 和 Excel 文件放入同一工作目录，并生成一份可供业务阅读的综合分析报告。
- 不适合
- 没有 GPU 或显存低于 16GB 的个人用户
- 希望开箱即用、不想自行部署 vLLM 与模型的团队
- 需要官方托管云服务而非本地部署的用户
这个 Agent 能做什么，适合哪些场景？
DeepAnalyze 是一个用于自主数据科学的 8B 参数 agentic LLM 项目，覆盖数据准备、分析、建模、可视化和报告生成。它面向数据库、CSV、Excel、JSON、XML、YAML、TXT 和 Markdown 等结构化、半结构化及非结构化数据源。项目提供 Python 调用入口 DeepAnalyzeVLLM，以及 WebUI、WebUI v2、JupyterUI、CLI 和 OpenAI 风格 HTTP API。其执行边界是本地部署的 DeepAnalyze-8B 推理服务；文档示例通过 vLLM 启动模型，并由用户提供工作目录和数据文件。输出可以是包含推理过程和分析结果的数据科学报告，示例说明报告可渲染为 PDF。
用户先通过 vLLM 部署 DeepAnalyze-8B，再将任务说明、文件名和工作目录传给 DeepAnalyzeVLLM.generate(prompt, workspace=workspace)。该流程可探索多个数据文件并完成数据准备、分析、建模与可视化，最终返回 reasoning 等结果并生成数据科学报告。WebUI 支持上传数据后在浏览器中交互；JupyterUI 会把 <Analyze>、<Understand>、<Answer> 转为 Markdown 单元，把 <Code> 转为代码单元并以 <Execute> 执行。API/start_server.py 可提供 /v1/files 文件上传和 /v1/chat/completions 对话接口；CLI 提供文件上传及流式响应。
- 数据分析师需要把多个 CSV 和 Excel 文件放入同一工作目录，并生成一份可供业务阅读的综合分析报告。
- 研究人员需要探索数据库、JSON、XML、YAML、文本和 Markdown 等混合资料，并开展开放式数据研究。
- 熟悉 Jupyter Notebook 的数据科学团队希望在 JupyterLab 中查看分析说明、生成代码单元并执行代码。
- 内部平台开发者需要用 OpenAI 风格的文件上传与聊天完成接口，将本地部署的 DeepAnalyze-8B 接入现有应用。
- 命令行用户需要通过英文或中文 CLI 上传文件，并查看实时流式分析响应。
如何安装或部署这个 Agent？
本地部署需先准备 Python 3.12 环境并安装依赖：conda create -n deepanalyze python=3.12 -y、conda activate deepanalyze、pip install -r requirements.txt。下载 DeepAnalyze-8B 后，用 vLLM 启动：vllm serve DeepAnalyze-8B。启动 WebUI 时，运行 cd demo/chat/frontend && npm install && cd .. && bash start.sh，然后访问 http://localhost:4000。WebUI v2 使用 cd demo/chat_v2/frontend && npm install && cd .. && cp .env.example .env && bash start.sh；其文档还说明支持 Docker 沙箱代码执行。若使用项目提供的 API key 服务，需要通过文档列出的 Google 或 Feishu 表单申请密钥。
如何使用这个 Agent？
模型服务启动后，可用 from deepanalyze import DeepAnalyzeVLLM 创建实例，并调用 generate(prompt, workspace=workspace)；prompt 中可列出数据文件和任务，例如“Generate a data science report.”。CLI 场景下，在一个终端执行 cd API && python start_server.py，另一个终端执行 cd demo/cli && python api_cli.py，中文界面使用 python api_cli_ZH.py。HTTP API 场景下，先向 http://localhost:8200/v1/files 上传文件，再携带返回的 file_id 调用 http://localhost:8200/v1/chat/completions。
这个 Agent 有哪些优点和局限？
- 覆盖从数据准备到报告生成的完整数据科学流程，而不只提供问答或单步代码生成。
- 明确支持多种文件和数据格式，并可在一次任务中探索任意数量的数据源。
- 提供 Python、浏览器界面、JupyterLab、CLI 和 OpenAI 风格 API 等多种交付方式。
- WebUI v2 文档明确提供 Docker 化沙箱代码执行支持。
- 本地运行依赖 DeepAnalyze-8B、vLLM、PyTorch 和 Transformers，并需要按 GPU 显存选择量化、上下文长度及 FP8 KV Cache 配置。
- 文档建议将训练与推理环境分开，以避免依赖冲突，增加了运维与环境管理成本。
- WebUI 前端需要 npm 安装依赖；JupyterUI 还依赖 JupyterLab 和 jupyter-mcp-server 相关集成。
- 项目声称可处理广泛的数据科学任务，但提供材料未给出任务失败处理、权限隔离细节或跨环境可靠性指标。
这个 Agent 与同类方案有什么区别？
项目将 DeepSeek-R1-0528-Qwen3-8B 作为可用于训练的基础模型，也允许直接基于 DeepAnalyze-8B 微调；DeepAnalyze 本身额外定义了面向数据科学任务的训练、推理与交互组件。
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| DeepAnalyze 当前 | 42 · 缺口较多 | 代码库 / SDK免费 | ★ 4.8k | 6 天前 | Python | — |
| 智析 Agent | 61 · 存在缺口 | 桌面应用免费 + 模型费 | ★ 2.6k | 2 天前 | JavaScript | OpenAI API |
| Seal Report 报表与 BI 平台 | 54 · 缺口较多 | 桌面应用免费 | ★ 1.6k | 2 天前 | C# | OpenAI API · Claude API |
| DATAGEN 多智能体研究助手 | 45 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 1.8k | 14 天前 | Python | OpenAI API · Claude API |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
README 与指南说明数据可通过本地部署或 API 上传，并示例使用 Bearer API key；这提供了有限的数据流线索（data_flow_transparency=1），但未说明存储、保留、访问控制或敏感数据处理（sensitive_data_handling=0）。API 示例要求用户显式提供文件和指令，故 user_confirmation=1；自动分析、宽泛 CORS 与未展示的沙箱细节不足以证明最小权限或受控外部影响（least_privilege=1, external_effects=1）。未见执行回滚或恢复机制（rollback=0）。依赖清单列出包名但无锁定版本或安全策略（dependency_security=1）。README 列出作者、机构、模型与数据集出处，source_attribution=2；但发布者注册身份未验证，不能据此额外加分。
README 给出多个入口、需求、配置示例及停止脚本，FAQ 说明 Windows/vLLM 限制；但 API 文档描述的 Gradio 与仓库 README 主路径并未在所给源码中相互印证，且代码样本仅含启动入口，故 self_consistency=1。依赖仅部分注明版本，部署涉及 vLLM、模型下载及 API 服务，未充分说明可用性与兼容矩阵（dependency_availability=1）。FAQ 给出特定问题的处理办法，但所示 API 入口没有错误处理细节，failure_messages=1。
材料面向数据分析用户、开发者及训练/评测使用者，并覆盖 CSV、表格、JSON、文本、Web、CLI、Jupyter 等场景（audience_and_scenarios=2）。但“任何任务/任何数据源”的宽泛能力宣称与实际支持边界、验证限制说明不足（capability_boundaries=1）；产品触发条件主要是用户提交任务，缺少更细的适用与不适用指引（trigger_precision=1）。提供本地部署、API、容器相关路线以及 Windows 的 WSL/Docker 提示，并列有显存配置建议（environment_fit=2）。
README 按演示、快速开始、API、训练和贡献组织，另有 API 指南、FAQ 与许可证（information_architecture=2）。安装和启动命令、依赖及显存建议较具体，但版本固定、部署前提和外部下载物完整性说明不足（install_notes=2）。同一产品有 WebUI、WebUI v2、JupyterUI、CLI、Gradio 文档等称谓和入口，部分指南依赖外部压缩包，命名与入口稳定性有限（naming_stability=1）。有多语言示例和 FAQ，但覆盖范围仍小（examples_and_faq=2）；仅明确 Windows/vLLM 和中文字体问题，其他模型与数据局限未见说明（known_limitations=1）。MIT LICENSE 完整，license=3。新闻列表提供日期化更新，但未体现当前修订对应版本或发布兼容政策（versioning_changelog=1）。README 有作者和贡献说明，然而无清晰维护责任人或支持承诺（maintenance_responsibility=1）。
目标产物包括分析报告、可视化与可下载文件，示例展示面向分析师的报告格式（output_usability=2）。将数据分析、代码执行、研究和报告生成整合为面向数据任务的工作流，显示出明确的潜在增值（marginal_value=2）；但成本收益只给出 GPU 显存和部署路线，未讨论运行成本、时延或资源权衡（cost_benefit=1）。
README 将部分主张关联到论文、模型、数据集、示例和部署命令，但许多“首个”“任何”等主张在所给材料中没有直接证据（claim_traceability=1）。README、API 指南、FAQ、启动代码和配置片段可相互提供有限佐证；但不完全重合的部署路线与仅抽样的源码限制了交叉核实（cross_source_corroboration=1）。示例区分命令、预期输出和产品描述，但示范报告及能力主张未明确标记为实测还是示意，事实与推断分离较弱（fact_inference_separation=1）。
- 源码中未见：敏感信息处理使用专用、低权限、可随时吊销的 API 密钥，不要复用生产凭据，也不要让密钥出现在日志里。
- 源码中未见：回滚或恢复路径运行前先备份，或在 git 分支、快照上操作，确保改动可以撤销。
- 将文件上传至在线 API 前，应确认数据授权及服务端存储、保留和访问政策；材料未说明敏感数据保护措施。
- 本地部署涉及 vLLM、模型下载及较高 GPU 显存要求；请按实际环境核对配置，材料未提供运行成本或性能保证。
- README 的宽泛能力描述和示例报告不等同于经独立验证的正确性证据。
你是这个项目的维护者？把 FARS 徽章加到 README
[](https://followagents.com/zh/agents/deepanalyze)<a href="https://followagents.com/zh/agents/deepanalyze"><img src="https://followagents.com/badge/deepanalyze.svg?lang=zh" alt="FARS 评测"></a>常见问题
本地运行一定需要 API key 吗？
需要什么硬件配置？
能处理哪些数据？
是否能接入现有应用？
谢谢反馈，我们会据此改进页面。