DeepEye
可操控的自动驾驶式数据分析 Agent 系统,一次运行即可将异构数据源转化为数据视频、交互式仪表盘和分析报告。
- Star 数
- ★ 270
- 最近更新
- 3 个月前
- License
- Apache-2.0
- 主语言
- Python
- FA 评分
- 65/100 · 存在缺口
30 秒速览
- 可在哪里用
- 通用 · 跨平台
- 开始前需要
- 典型场景
- 业务分析师需要把销售数据库、Excel 报表和 PDF 文档一起分析,并给管理层同时交付仪表盘和叙述性数据视频。
- 主要局限
- 部署成本高:需运行整套 Docker 服务栈(Postgres、Redis、MinIO、Celery、nginx 等),不适合轻量使用。
- 官网
- deepeye.hk ↗ 来自 GitHub 仓库设置
- 维护状态
- 近半年有提交最近提交 2026-08-09
- 源码审查
- 65/100 · 存在缺口
这个 Agent 能做什么,适合哪些场景?
DeepEye 是 HKUSTDial 开源的自动驾驶式数据分析 Agent 系统(SIGMOD Demo 2026 论文),采用以工作流为中心的架构,而非线性 ChatBI 工具。它自动编排多步工作流,处理数据库、文档、CSV/Excel 等异构数据源,避免上下文爆炸,并产出三类分析产物:数据视频、交互式仪表盘和结构化分析报告。系统由 Workflow Engine 驱动,每个草稿经编译(解析为类型化 DAG)、校验、优化(并行调度)和执行(节点级沙箱代码运行)四个阶段。它通过 FastAPI 后端、Celery worker、React 前端以及 Postgres、Redis、MinIO 等组件构成完整技术栈,使用 Docker Compose 一键部署。人类可全程在环,通过实时工作流检查器和运行时操控面板审查每步执行(包括节点级 SQL)后再确认运行。
用户在「Data Sources」面板连接结构化数据(PostgreSQL/MySQL、CSV、Excel)、半结构化数据(JSON、XML)或非结构化数据(PDF、TXT、Markdown,索引为知识库),然后在聊天中以 @引用 描述目标,例如「@Financial Metrics @Meta-data @Sales Database 分析 2025 全球销售表现,生成视频、仪表盘和分析报告」。系统调用所配置的 LLM(LLM_API_KEY/LLM_BASE_URL/LLM_MODEL)生成工作流计划,编译为类型化 DAG 并在 Workflow Graph 面板中渲染,等待用户确认后执行。Workflow Engine 的 Compiler、Validator、Optimizer、Executor 四个阶段保证结构正确性并通过拓扑感知调度加速运行,每个节点在隔离的沙箱环境中运行代码。产物(视频、仪表盘、报告)按会话版本化,可内联预览、导出和分享。部署通过 docker compose up --build 启动 Postgres、Redis、MinIO、后端 API、Celery worker、运行时控制服务、前端和 nginx 网关,迁移自动执行,访问 http://localhost:8080。
- 业务分析师需要把销售数据库、Excel 报表和 PDF 文档一起分析,并给管理层同时交付仪表盘和叙述性数据视频。
- 数据团队希望用人类在环的方式审查 Agent 生成的每一步 SQL 与工作流 DAG 后再执行,避免黑盒自动化。
- 研究者拿到多源异构数据(JSON、XML、Markdown 笔记),想自动编排一次端到端分析并产出可分享的报告。
- 需要为同一分析会话维护多个版本化产物并导出分享的分析顾问。
- 想部署一套自托管、可操控的数据分析平台以替代线性 ChatBI 工具的团队。
安装与配置要点
摘自下方的安装和使用说明,以项目 README 的最新说明为准。
- 安装 / 启动命令
docker compose up --build
- 环境变量
LLM_API_KEYLLM_BASE_URLLLM_MODELJWT_SECRET_KEYPOSTGRES_PASSWORDMINIO_ACCESS_KEY- 配置文件
.env- 安装说明涉及
- Docker
如何安装或部署这个 Agent?
前置条件:Docker 与 Docker Compose、受支持的 LLM 供应商密钥与模型、用于开发的 uv,若前端脱离 Docker 运行则需 Node.js/npm。
- 配置环境变量:
cp env.example .env编辑 .env,至少设置:
LLM_API_KEY=...
LLM_BASE_URL=...
LLM_MODEL=...
JWT_SECRET_KEY=...
POSTGRES_PASSWORD=...
MINIO_ACCESS_KEY=...
MINIO_SECRET_KEY=...共享机器上还需设置唯一的 COMPOSE_PROJECT_NAME 和 HOST_GATEWAY_PORT 以避免端口冲突。
- 启动整套服务:
docker compose up --build这会启动 Postgres、Redis、MinIO、后端 API、Celery worker、运行时控制服务、前端和 nginx 网关,数据库迁移自动运行。开发质量检查可使用 make check 或 make check-install。
如何使用这个 Agent?
- 访问 http://localhost:8080(若不可用,检查
.env的端口设置如HOST_GATEWAY_PORT,并用docker compose ps确认各服务健康)。
- 在 Data Sources 面板添加数据源:结构化(PostgreSQL/MySQL、CSV、Excel)、半结构化(JSON、XML)、非结构化(PDF、TXT、Markdown,索引为知识库)。
- 在聊天中描述目标并 @引用数据源,例如:
@Financial Metrics @Meta-data @Sales Database
Analyze the 2025 global sales performance,
generate a video, dashboard, and analytical report.- 系统自动生成工作流计划并在 Workflow Graph 面板渲染 DAG,确认后运行;每个节点展示输入、实际执行的 SQL、状态和输出。
- 在右侧面板内联查看数据视频、仪表盘和分析报告;产物按会话版本化,可导出或分享。
停止服务:
docker compose down加 -v 可一并删除存储卷/数据。
这个 Agent 有哪些优点和局限?
- 工作流为中心的架构将复杂意图分解为隔离的 AgentNode 和确定性 ToolNode,明确以消除幻觉为目标,区别于线性 ChatBI 工具。
- 数据库风格的工作流引擎(编译、校验、优化、执行四阶段)保证结构正确性并通过拓扑感知调度加速运行。
- 人类在环:实时工作流检查器与运行时操控面板,节点级展示实际执行的 SQL,自动化过程完全透明可干预。
- 一次运行统一编排数据库、文档、CSV/Excel 和 API 多模态数据源,并产出数据视频、仪表盘、报告三类产物。
- 已有 SIGMOD Demo 2026 录用论文和 CI(pytest)测试,具备可审计的学术与工程基础。
- 部署成本高:需运行整套 Docker 服务栈(Postgres、Redis、MinIO、Celery、nginx 等),不适合轻量使用。
- 必须自备受支持的 LLM 供应商密钥与模型(LLM_API_KEY/LLM_BASE_URL/LLM_MODEL),产生按用量计费的成本。
- 文档明确警告当前栈应视为本地开发环境,在暴露到可信环境之外前需自行替换密钥、审查认证/CORS/Docker socket 等安全边界。
- LLM 编排加 Docker 沙箱代码执行引入失败面:需自行设置资源限制与清理策略。
这个 Agent 与同类方案有什么区别?
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 |
|---|---|---|---|---|---|---|
| DeepEye 当前 | 65 · 存在缺口 | — | ★ 270 | 3 个月前 | Python | — |
| OpenAgents | 42 · 缺口较多 | 网页应用免费 + 模型费 | ★ 4.9k | 2 年前 | Python | OpenAI API |
| DecisionBox | 52 · 缺口较多 | 自托管服务免费 + 模型费 | ★ 123 | 1 天前 | Go | OpenAI API · Claude API |
| AutoResearchClaw | 58 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 15k | 3 个月前 | Python | Codex · Claude Code · OpenAI API |
FollowAgents 如何评估这个 Agent?
查看各维度的扣分理由
文档坦率披露 Docker socket 高权限、生成代码执行、示例密钥等风险点并给出加固清单,安全意识好;但 runtime-control 直接挂载 docker.sock 属于主机级权限,core/sandbox/main.py 用裸 exec() 执行 LLM 生成代码且无资源/网络限制,最小权限明显不足。工作流执行前有确认环节(HITL),工作流面板展示每节点输入与 SQL,数据流透明度尚可;密钥处理有脱敏指引但未见实现证据。依赖侧有 pip-audit、npm audit、CodeQL,充分。回滚仅有 docker compose down -v(销毁性),无升级/回退路径。扣分点:exec 沙箱与 docker.sock。
有完整的 pytest 回归测试(含 supervisor 编排顺序、数据源缓存、Docker 沙箱集成测试标记)、CI 多 job、compose 配置校验与 smoke 测试,自洽性较好;global 异常处理器返回统一的 500/422 响应,错误信息结构化但偏简略;外部依赖(LLM、Postgres、MinIO)有 warmup 与 STRICT 开关处理。扣分点:无版本发布策略下长期支持性未证实。
面向数据分析场景的 README 快速上手、运行示例、场景样例(retail ops)齐全,Docker 化环境假设明确;触发精度证据薄——@数据源 mention 与自然语言目标的解析机制未在样本中展示,工作流计划由 LLM 生成并经 Validator 校验但误触发风险未量化。扣分点:触发边界只有声明性描述。
仓库结构清晰(packages/core、backend、frontend、docs、docker),docs 含 RFC、安全模型、修复清单,安装说明逐步且含故障排查,Apache-2.0 LICENSE 全文在册,known limitations 在安全模型中坦率列出——均达充分。但版本号仅 0.1.0,无 CHANGELOG,发布/版本策略未建立(SECURITY.md 自认 tagged releases 未建立),维护责任依赖 GitHub issue 流程且发布者身份未经验证。扣分点:无 changelog 与版本化。
三类产出物(视频/仪表盘/报告)+ 工作流 DAG + 人工转向控制在同类数据 agent 中具有差异化的边际价值;artifact 版本化与导出提升输出可用性。但 'production-ready' 的宣称与安全文档 'active development preview' 的自述相矛盾,成本方面多容器栈 + LLM 调用资源开销不小,仅文档说明未见量化。扣分点:宣称与安全自述冲突、成本未量化。
README 引用 arXiv 论文、SIGMOD Demo DOI、BibTeX 与 CI 徽章,claims 有可追溯锚点;仓库内测试与文档相互印证部分能力(缓存、编排);但 'production-ready'、'eliminate hallucinations' 等断言与安全文档存在张力,推断与事实未严格分层。扣分点:营销性断言缺少仓库内证据支撑。
- 不要在本地信任环境之外部署当前默认栈:runtime-control 挂载 docker.sock,等同主机控制权。
- core/sandbox/main.py 的 exec() 执行无资源/网络/超时限制,不应被视为安全沙箱。
- README 的 'production-ready' 与安全文档 'active development preview' 矛盾,评估时以安全文档为准。
- 首次部署前必须替换全部示例密钥并设置强 DOCKER_CONTROL_API_KEY。
- 无 CHANGELOG 与版本发布策略,升级与回滚路径不明。
常见问题
DeepEye 官网是什么?
DeepEye 开源吗?
DeepEye 安全吗?
DeepEye 还在维护吗?
DeepEye 是谁开发的?
谢谢反馈,我们会据此改进页面。