7.2 Agent 能力设计（数据分析专家Agent）

叶彦辛《扣子编程从一句话到产品上线：零门槛AI心流开发》全书案例分享~_扣子编程从一句话到产品上线:零门槛ai心流开发-CSDN博客

在进入提示词编写和代码实现之前，需要先对目标Agent应具备的核心能力进行系统性拆解。能力拆解的意义在于：它决定了后续需要挂载哪些工具、选择何种模型、如何设计系统提示词。

7.2.1  动态 SQL 查询能力

数据分析的起点是查询。但本项目对查询能力的要求并非“执行预先写好的SQL”，而是根据用户自然语言需求动态生成并执行 SQL。这一能力的实现背后，要求 Agent 能够理解表结构（字段名、数据类型、语义）、掌握 SQL 语法（特别是聚合、分组、窗口函数与时间函数的使用），并支持多轮追问——例如用户先问整体销售额，继而追问“按地区拆一下”或“只看2025 年”。多轮追问的背景保持，依赖 Agent 的短期记忆机制。

7.2.2  Python 可视化能力

中文场景做 Python 可视化，必然绕不开一个老问题：matplotlib 在默认配置下无法渲染中文字符，所有中文标签会显示为方框。一个真正可用的可视化能力，必须同时满足以下四项要求：支持常见图表类型（至少包括折线图、柱状图、饼图、散点图与直方图）；内置中文字体降级方案（系统中没有 SimHei 就自动切换到 Microsoft YaHei、PingFang 或 Noto Sans CJK）；生成的图像需要被最终用户访问，这意味着需要将图像上传到对象存储并获取可访问 URL；返回形式必须是 Markdown 图片语法，以便前端渲染与复制粘贴。

【注意】  中文字体降级方案是工程细节，但对中文场景用户体验至关重要。在 matplotlib 中，推荐在绘图前通过 matplotlib.font_manager 检索系统可用字体，按优先级匹配一个列表（例如 SimHei → Microsoft YaHei → PingFang SC → Noto Sans CJK SC），确保跨平台可用。

7.2.3  Markdown 报告生成能力

在得到数据与图表之后，Agent 需要将其组织为一份结构清晰、结论明确的分析报告。一份专业的分析报告通常包含四个模块：数据概览（时间范围、数据量、覆盖维度）、关键发现（以趋势、占比、异常点三类事实为主）、数据可视化（与关键发现一一对应的图表及其简评）、结论与建议（可执行的业务 action 项）。这一结构并非拍脑袋得出，而是从大量真实分析场景中提炼的最小可用模板。Agent 通过 Markdown 语法产出报告后，用户可以直接将其粘贴到飞书、Notion、公众号后台等任意支持 Markdown 的载体。

7.2.4  能力协同：编排才是真正的难点

以上三项能力单独实现的难度并不高。真正的挑战在于编排：Agent 需要自主决定何时查询 SQL、何时绘图、何时撰写段落；需要判断某个发现是值得配图还是直接写入文字即可；需要处理多轮对话中的上下文继承。这种编排能力主要由两样东西共同决定：一是选用的大模型本身的推理规划能力，二是系统提示词（System Prompt）中对工作流程的约束。提示词的质量，几乎直接等价于 Agent 的质量上限。