构建AI智能体：四十三、智能数据分析机器人：基于Qwen-Agent与Text2SQL的门票分析方案

优质文章学习记录

— 18 min read
构建AI智能体：四十三、智能数据分析机器人：基于Qwen-Agent与Text2SQL的门票分析方案

一、系统概述

        随着企业数字化进程的加速，数据已成为决策的重要依据，但传统数据分析流程存在诸多痛点。业务人员往往需要依赖专业数据团队进行SQL查询和报表制作，这个过程耗时耗力且响应迟缓，沟通成本高、技术门槛也高。特别是在门票销售这样的实时性要求较高的行业，快速获取数据洞察对业务决策至关重要。

        结合昨天我们刚讲过的Qwen-Agent和前期讲过的Text2SQL技术以及Gradio前端展示技术，构建了一个智能化的门票数据分析平台，让业务人员能够通过自然语言直接进行数据查询和分析，大幅降低了技术门槛，提高了决策效率。旨在通过自然语言交互实现数据库查询和可视化分析。

        系统结合了大语言模型、数据库操作和数据可视化技术，为用户提供直观的门票销售数据分析体验。该系统不仅解决了传统数据分析流程的痛点，更为企业级智能数据分析应用提供了新的思路和方案。

系统采用分层架构设计，确保各模块之间的松耦合和高内聚。整体架构包含四个核心层次：

  • 用户交互层：基于Gradio构建的Web界面，提供直观的聊天式交互体验。该层负责捕获用户输入、渲染查询结果，并管理用户会话状态。
  • 智能代理层：系统的"大脑"，基于Qwen-Agent框架实现。该层负责自然语言理解、对话管理、工具调用决策和结果整合。
  • 工具执行层：模块化的工具系统，核心包括SQL执行工具和可视化生成工具。该层负责具体的业务逻辑执行和数据处理。
  • 数据服务层：包括MySQL数据库和文件系统，为系统提供数据存储和持久化支持。

二、核心组件

1. Qwen-Agent智能代理

  • 上下文感知：能够理解多轮对话的上下文关系
  • 意图识别：准确识别用户的查询意图和业务需求
  • 工具协调：智能决策何时以及如何调用工具函数
  • 结果整合：将工具执行结果整合成用户友好的格式

2. Text2SQL转换引擎

  • 自然语言理解：解析用户查询的语义结构，识别意图、实体和条件
  • 模式映射：将自然语言中的概念映射到数据库中的表、列和关系
  • SQL生成：构建符合目标数据库方言的正确语法结构
  • 查询优化：确保生成的SQL在执行时具有良好性能

3. Gradio前端展示

  • 简单易用：界面简单、设计友好，几行代码即可创建功能完整的Web界面
  • 多样化组件：支持文本、图像、音频、视频等多种输入输出格式
  • 即时分享：一键生成可公开访问的链接
  • 框架无关：可与TensorFlow、PyTorch、Scikit-learn等任何机器学习框架配合使用
  • 高度可定制：提供灵活的自定义选项满足不同需求和应用场景

三、系统流程

1. 流程图

2. 流程分解

2.1 基础流程

第一步：用户输入与消息传递 (步骤1-2)

  • 用户输入：用户在Web界面输入自然语言问题，如"查询2023年门票销售情况"
  • 消息捕获：WebUI组件捕获用户输入，格式化为标准消息格式
  • 会话管理：根据对话历史生成唯一的session_id，确保多用户隔离

第二步：智能分析与SQL生成 (步骤3-4)

  • 意图理解：Agent结合system_prompt中的业务知识，理解用户查询意图
  • 上下文整合：如果有历史对话，会结合上下文进行更准确的理解
  • SQL生成：基于数据表结构和业务逻辑，生成符合规范的SQL查询语句
  • 工具调用决策：判断需要调用exc_sql工具执行数据查询

第三步：数据查询执行 (步骤5-7)

  • 数据库连接：从连接池获取MySQL数据库连接，设置超时和字符集
  • SQL执行：使用pandas的read_sql方法执行查询，返回DataFrame
  • 结果验证：检查查询结果的有效性，处理空结果或异常情况

第四步：可视化与结果组装 (步骤8-10)

1. 智能可视化：

  • 自动分析数据类型（分类变量vs数值变量）
  • 根据数据特征选择图表类型（普通柱状图vs堆积柱状图）
  • 处理中文显示和格式美化
  • 文件保存：将生成的图表保存为PNG文件，使用时间戳确保文件名唯一

2. 结果组装：

  • 将DataFrame转换为Markdown表格格式
  • 生成图片的Markdown引用链接
  • 组合表格和图片为完整响应

第五步：结果返回与显示 (步骤11-12)

  • 结果传递：工具结果逐级返回给Agent和WebUI
  • 界面渲染：WebUI将Markdown内容渲染为美观的显示格式
  • 用户交互：用户可以看到结构化数据和可视化图表，可进行后续交互

2.2 自然语言到SQL的转换流程

  • 意图解析：理解用户查询的业务背景和具体需求
  • 条件提取：识别时间范围、筛选条件、分组维度等关键要素
  • SQL构造：根据数据库schema构建符合语法的SQL语句
  • 优化验证：检查SQL的合理性和执行效率

2.3 Agent创建过程

  • 配置LLM参数：指定模型版本、超时设置、重试策略
  • 实例化Assistant：传入名称、描述、系统提示词等
  • 注册工具函数：将'exc_sql'工具绑定到Agent
  • 返回初始化完成的bot对象

系统运行界面：

查询过程中生成的图示：

此处也可导入echarts的组件，达到动态炫酷的展示效果！

四、核心代码分解

1. Assistant智能代理

llm_cfg = {         'model': 'qwen-turbo',         'timeout': 30,         'retry_count': 3,     } bot = Assistant(     llm=llm_cfg,     name='门票助手',     description='门票查询与订单分析',     system_message=system_prompt,     function_list=['exc_sql'], )
  • 使用qwen-turbo模型作为语言理解核心
  • 通过system_prompt定义专业领域知识
  • 函数调用机制实现工具扩展

2. 系统提示词设计

system_prompt = """我是门票助手，以下是关于门票订单表相关的字段，我可能会编写对应的SQL，对数据进行查询 -- 门票订单表 CREATE TABLE tkt_orders (     order_time DATETIME,             -- 订单日期     ......     quantity INT                     -- 商品数量 ); 一日门票，对应多种SKU： Universal Studios Beijing One-Day Dated Ticket-Standard Universal Studios Beijing One-Day Dated Ticket-Child Universal Studios Beijing One-Day Dated Ticket-Senior
  • 设计原则：明确的角色定义、数据结构说明、SQL查询模式示例、输出格式规范
  • 领域专业化：系统提示词不仅定义了助手角色，更包含了详细的数据表结构说明和业务逻辑，使模型能够理解门票业务的特殊性。
  • 查询模式预置：通过提供常见的SQL查询模板，如一日门票、二日门票的统计方式，引导模型生成符合业务需求的查询语句。
  • 输出规范约束：明确要求原样输出工具返回内容，避免模型过度"聪明"地总结或简化，确保用户获得完整的数据信息。

3. SQLAlchemy引擎配置

engine = create_engine(     f'mysql+mysqlconnector://root:Aa123456!@localhost:3306/{database}?charset=utf8mb4',     connect_args={'connect_timeout': 10}, pool_size=10, max_overflow=20 )

连接参数详解：

  • 连接字符串格式：数据库类型+驱动://用户名:密码@主机:端口/数据库名
  • 连接池配置：pool_size控制连接数，max_overflow控制超额连接
  • 字符集设置：utf8mb4支持完整Unicode字符
  • 并发支持：pool_size=10确保系统能同时处理多个查询请求
  • 弹性扩展：max_overflow=20在高峰期提供额外连接缓冲
  • 故障隔离：超时设置防止单次查询阻塞整个系统

4. 数据查询执行

df = pd.read_sql(sql_input, engine)
  • 使用pandas的read_sql方法直接执行SQL
  • 自动将结果转换为DataFrame格式
  • 支持复杂的SQL查询语句

5. 可视化函数架构

def generate_chart_png(df_sql, save_path):     # 数据类型识别与处理     object_columns = df_sql.select_dtypes(include='O').columns.tolist()     num_columns = df_sql.select_dtypes(exclude='O').columns.tolist()          # 智能图表类型选择     if len(object_columns) > 0:         # 堆积柱状图逻辑         pivot_df = df_sql.pivot_table(...)     else:         # 普通柱状图逻辑         bottom = np.zeros(len(df_sql))

可视化策略：

  • 自动识别数据类型：系统能够区分分类变量和数值变量，这是选择合适图表类型的基础
  • 智能图表选择：根据数据特征选择最佳可视化方式
    • 当数据包含多个分类维度时，自动选择堆积柱状图展示复合关系
    • 单一维度数据使用普通柱状图，保持图表简洁性
  • 透视表自动生成：通过pivot_table实现数据重组，满足复杂多维度的可视化需求

6. 中文显示解决方案

plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'SimSun', 'Arial Unicode MS'] plt.rcParams['axes.unicode_minus'] = False
  • 设置中文字体优先级列表
  • 解决负号显示异常问题
  • 确保图表中文字符正常渲染

7. 函数的调用机制

functions_desc = [     {         "name": "exc_sql",         "description": "对于生成的SQL，进行SQL查询",         # 参数定义确保SQL语句的正确传递     } ]
  • 能力边界清晰：语言模型负责理解意图和生成SQL，专业工具负责执行和可视化
  • 安全性保障：通过参数校验确保输入的SQL符合预期格式
  • 可扩展性强：新的分析功能可以通过添加工具函数快速集成

8. @register_tool装饰器

@register_tool('exc_sql') class ExcSQLTool(BaseTool):     description = '对于生成的SQL，进行SQL查询，并自动可视化'     parameters = [{'name': 'sql_input', 'type': 'string', 'required': True}]
  • 使用装饰器注册工具名称
  • 继承BaseTool基类
  • 定义工具描述和参数规范

9. 工具调用接口

def call(self, params: str, **kwargs) -> str:     args = json.loads(params)     sql_input = args['sql_input']
  • JSON格式参数解析
  • 异常处理与错误返回
  • 统一的返回格式

10. 使用建议与默认提示

chatbot_config = {     'prompt.suggestions': [         '2023年4、5、6月一日门票，二日门票的销量多少？帮我按照周进行统计',         '2023年7月的不同省份的入园人数统计',         '帮我查看2023年10月1-7日销售渠道订单金额排名',     ] }
  • 预置典型查询问题
  • 降低用户学习成本
  • 引导用户使用模式

11. 异常处理机制

try:     df = pd.read_sql(sql_input, engine)     # 正常处理逻辑 except Exception as e:     return f"SQL执行或可视化出错: {str(e)}"
  • 数据库连接异常捕获
  • SQL执行错误处理
  • 可视化过程异常管理

12. 性能优化

dashscope.timeout = 30  # API调用超时设置 connect_args={'connect_timeout': 10}  # 数据库连接超时 pool_size=10, max_overflow=20  # 连接池配置
  • 合理的超时设置
  • 数据库连接池管理
  • 资源释放与清理

五：优化与不足

  • 针对SQL生成可能出现的错误，系统建立了多级校验机制。包括语法检查、执行验证和错误反馈循环，确保生成SQL的准确性和安全性。
  • 通过异步处理、连接池管理和缓存策略优化系统性能。数据库查询使用连接池复用连接，图表生成结果进行缓存，避免重复计算。
  • 采用会话隔离和资源池化技术支持多用户并发访问。每个会话有独立的数据空间，关键资源通过池化管理，确保系统稳定运行。

六、总结

        本项目成功构建了一个基于Qwen-Agent和Text2SQL的智能门票数据分析系统。通过自然语言交互大幅降低了数据分析的技术门槛，提高了业务决策效率，自动化报表生成，减少人工数据处理工作量，让非技术人员也能深度参与数据分析过程。  

        系统展示了大语言模型在企业级应用中的巨大潜力。基于提示工程的Text2SQL方案为类似项目提供了新的技术思路，避免了专门模型训练的复杂性。下一步将扩展系统分析能力，支持预测分析和异常检测等高级功能。同时探索更多应用场景，将这一技术方案推广到其他行业领域。

附录：完整实例代码

import os import asyncio from typing import Optional import dashscope from qwen_agent.agents import Assistant from qwen_agent.gui import WebUI import pandas as pd from sqlalchemy import create_engine from qwen_agent.tools.base import BaseTool, register_tool import matplotlib.pyplot as plt import io import base64 import time import numpy as np # 解决中文显示问题 plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'SimSun', 'Arial Unicode MS'] # 优先使用的中文字体 plt.rcParams['axes.unicode_minus'] = False # 解决负号显示问题 # 定义资源文件根目录 ROOT_RESOURCE = os.path.join(os.path.dirname(__file__), 'resource') # 配置 DashScope dashscope.api_key = os.getenv('DASHSCOPE_API_KEY', '') # 从环境变量获取 API Key dashscope.timeout = 30 # 设置超时时间为 30 秒 # ====== 门票助手 system prompt 和函数描述 ======"我是门票助手，以下是关于门票订单表相关的字段，我可能会编写对应的SQL，对数据进行查询 -- 门票订单表 CREATE TABLE tkt_orders ( order_time DATETIME, -- 订单日期 account_id INT, -- 预定用户ID gov_id VARCHAR(18), -- 商品使用人ID（身份证号） gender VARCHAR(10), -- 使用人性别 age INT, -- 年龄 province VARCHAR(30), -- 使用人省份 SKU VARCHAR(100), -- 商品SKU名 product_serial_no VARCHAR(30), -- 商品ID eco_main_order_id VARCHAR(20), -- 订单ID sales_channel VARCHAR(20), -- 销售渠道 status VARCHAR(30), -- 商品状态 order_value DECIMAL(10,2), -- 订单金额 quantity INT -- 商品数量 ); 一日门票，对应多种SKU： Universal Studios Beijing One-Day Dated Ticket-Standard Universal Studios Beijing One-Day Dated Ticket-Child Universal Studios Beijing One-Day Dated Ticket-Senior 二日门票，对应多种SKU： USB 1.5-Day Dated Ticket Standard USB 1.5-Day Dated Ticket Discounted 一日门票、二日门票查询 SUM(CASE WHEN SKU LIKE 'Universal Studios Beijing One-Day%' THEN quantity ELSE 0 END) AS one_day_ticket_sales, SUM(CASE WHEN SKU LIKE 'USB%' THEN quantity ELSE 0 END) AS two_day_ticket_sales 我将回答用户关于门票相关的问题 每当 exc_sql 工具返回 markdown 表格和图片时，你必须原样输出工具返回的全部内容（包括图片 markdown），不要只总结表格，也不要省略图片。这样用户才能直接看到表格和图片。 """ functions_desc = [ { "name": "exc_sql", "description": "对于生成的SQL，进行SQL查询", "parameters": { "type": "object", "properties": { "sql_input": { "type": "string", "description": "生成的SQL语句", } }, "required": ["sql_input"], }, }, ] # ====== 会话隔离 DataFrame 存储 ====== # 用于存储每个会话的 DataFrame，避免多用户数据串扰 _last_df_dict = {} def get_session_id(kwargs): """根据 kwargs 获取当前会话的唯一 session_id，这里用 messages 的 id""" messages = kwargs.get('messages') if messages is not None: return id(messages) return None # ====== exc_sql 工具类实现 ====== @register_tool('exc_sql') class ExcSQLTool(BaseTool): """ SQL查询工具，执行传入的SQL语句并返回结果，并自动进行可视化。 """ description = '对于生成的SQL，进行SQL查询，并自动可视化' parameters = [{ 'name': 'sql_input', 'type': 'string', 'description': '生成的SQL语句', 'required': True }] def call(self, params: str, **kwargs) -> str: import json import matplotlib.pyplot as plt import io, os, time import numpy as np args = json.loads(params) sql_input = args['sql_input'] database = args.get('database', 'world') engine = create_engine( f'mysql+mysqlconnector://root:Aa123456!@localhost:3306/{database}?charset=utf8mb4', connect_args={'connect_timeout': 10}, pool_size=10, max_overflow=20 ) try: df = pd.read_sql(sql_input, engine) md = df.head(10).to_markdown(index=False) # 自动创建目录 save_dir = os.path.join(os.path.dirname(__file__), 'image_show') os.makedirs(save_dir, exist_ok=True) filename = f'bar_{int(time.time()*1000)}.png' save_path = os.path.join(save_dir, filename) # 生成图表 generate_chart_png(df, save_path) img_path = os.path.join('image_show', filename) img_md = f'![柱状图]({img_path})' return f"{md}\n\n{img_md}" except Exception as e: return f"SQL执行或可视化出错: {str(e)}" # ========== 通用可视化函数 ========== def generate_chart_png(df_sql, save_path): columns = df_sql.columns x = np.arange(len(df_sql)) # 获取object类型 object_columns = df_sql.select_dtypes(include='O').columns.tolist() if columns[0] in object_columns: object_columns.remove(columns[0]) num_columns = df_sql.select_dtypes(exclude='O').columns.tolist() if len(object_columns) > 0: # 对数据进行透视，以便为每个日期和销售渠道创建堆积柱状图 pivot_df = df_sql.pivot_table(index=columns[0], columns=object_columns, values=num_columns, fill_value=0) # 绘制堆积柱状图 fig, ax = plt.subplots(figsize=(10, 6)) # 为每个销售渠道和票类型创建柱状图 bottoms = None for col in pivot_df.columns: ax.bar(pivot_df.index, pivot_df[col], bottom=bottoms, label=str(col)) if bottoms is None: bottoms = pivot_df[col].copy() else: bottoms += pivot_df[col] else: print('进入到else...') bottom = np.zeros(len(df_sql)) for column in columns[1:]: plt.bar(x, df_sql[column], bottom=bottom, label=column) bottom += df_sql[column] plt.xticks(x, df_sql[columns[0]]) plt.legend() plt.title("销售统计") plt.xlabel(columns[0]) plt.ylabel("门票数量") plt.xticks(rotation=45) plt.tight_layout() plt.savefig(save_path) plt.close() # ====== 初始化门票助手服务 ====== def init_agent_service(): """初始化门票助手服务""" llm_cfg = { 'model': 'qwen-turbo-2025-04-28', 'timeout': 30, 'retry_count': 3, } try: bot = Assistant( llm=llm_cfg, name='门票助手', description='门票查询与订单分析', system_message=system_prompt, function_list=['exc_sql'], # 移除绘图工具 ) print("助手初始化成功！") return bot except Exception as e: print(f"助手初始化失败: {str(e)}") raise def app_gui(): """图形界面模式，提供 Web 图形界面""" try: print("正在启动 Web 界面...") # 初始化助手 bot = init_agent_service() # 配置聊天界面，列举3个典型门票查询问题 chatbot_config = { 'prompt.suggestions': [ '2023年4、5、6月一日门票，二日门票的销量多少？帮我按照周进行统计', '2023年7月的不同省份的入园人数统计', '帮我查看2023年10月1-7日销售渠道订单金额排名', ] } print("Web 界面准备就绪，正在启动服务...") # 启动 Web 界面 WebUI( bot, chatbot_config=chatbot_config ).run() except Exception as e: print(f"启动 Web 界面失败: {str(e)}") print("请检查网络连接和 API Key 配置") if __name__ == '__main__': # 运行模式选择 app_gui() # 图形界面模式（默认）

数据库结构参考：

Read more

浅析高性能AD采集芯片AD4630—四通道SPI模式的配置与采集（FPGA）

浅析高性能AD采集芯片AD4630—四通道SPI模式的配置与采集（FPGA）

目录 一、浅析芯片手册（Data Sheet） 1.芯片概述 2.AD4630的SPI信号协议介绍 3.配置寄存器与时序 4.AD数据转换与采集 二、FPGA代码设计 1.稳定与复位 2.初始化模式配置 3.AD数据转换与读取 三、CNV优化与测试验证 1.CNV采样时钟的硬件优化 2.回环模式验证配置 3.测试模式验证AD采集转换 4.一点心得体会         前言：做FPGA相关设计的时候用到了一块高精度的AD转换芯片，是ADI公司的AD4630芯片，网上对这块芯片的使用和配置并没有过多的详细介绍，ADI公司有配套的评估板，看了一下比较贵还是算了，因此打算自己写一套AD4630的配置和采集程序，之前也做过不少硬件，那就浅浅操刀一下吧QAQ。 一、浅析芯片手册（Data Sheet） 1.芯片概述         从Feature中，可以看出，所用的AD4630-24为双通道，转换速率最高2M，
毕业设计：基于neo4j的知识图谱的智能问答系统（源码）

毕业设计：基于neo4j的知识图谱的智能问答系统（源码）

一、项目背景 知识图谱作为人工智能领域重要的知识表示与推理技术，近年来已成为实现机器认知智能的核心基础设施。它将海量、异构的实体、属性及其复杂关系，以图结构的形式进行语义化组织与存储，形成了一张能够被计算机理解和处理的“知识网络”。在信息爆炸的时代，传统基于关键词匹配的搜索引擎和问答系统，往往难以理解用户查询背后的深层语义与意图，导致返回结果碎片化、准确性不足，尤其无法有效回答涉及多跳推理、关系路径挖掘的复杂问题。例如，面对“李白最欣赏的诗人是谁？”或“与《静夜思》情感基调相似的杜甫作品有哪些？”这类问题，传统系统往往束手无策。因此，构建能够理解复杂语义、进行关联分析与逻辑推理的智能问答系统，成为提升信息获取效率与智能化水平的关键需求。 在各行业知识密集型应用（如医疗诊断辅助、金融风控、智慧教育等）的驱动下，基于知识图谱的智能问答（KBQA）技术展现了巨大潜力。它通过将自然语言问题解析为对知识图谱的结构化查询，能够直接返回精准、结构化的答案，而非一系列相关网页链接，实现了从“信息检索”到“知识问答”的质变。这一技术路径对于传承与梳理中华优秀传统文化，特别是像古诗词这样蕴含丰富人物、
从零开始“养龙虾”：OpenClaw 本地极简部署与 QQ 机器人接入全保姆级教程

从零开始“养龙虾”：OpenClaw 本地极简部署与 QQ 机器人接入全保姆级教程

文章目录 * 引言 * 什么是 OpenClaw？ * 为什么选择 OpenClaw？ * 一、基础环境准备 * 1. 安装 Node.js (v22及以上) * 2.安装 Git * 3. 解决 npm 被拦截（没报错跳过） * 二、一键部署与唤醒“龙虾” * 1.全自动拉取与组装 * 2.醒龙虾与配置“大脑” * 三、接入官方 QQ 机器人（可选） * 1. 领取官方机器人的“身份证” * 2. 本地安装专属通信插件 * 3. 结果展示 * 总结 引言 什么是 OpenClaw？ 最近开源界有一只“红皮小龙虾”非常火，它就是 OpenClaw。
JFM | 空军工程大学宗豪华、吴云等：基于FPGA的深度强化学习框架实现超音速闭环智能流动控制实验

JFM | 空军工程大学宗豪华、吴云等：基于FPGA的深度强化学习框架实现超音速闭环智能流动控制实验

基于高速实验深度强化学习框架的超音速闭环流动控制 Closed-loop supersonic flow control with a high-speed experimental deep reinforcement learning framework 宗豪华¹，吴云¹，李金平²，苏志²，梁华² 引用格式：H. Zong, Y. Wu, J. Li, Z. Su, and H. Liang. Closed-loop supersonic flow control with a high-speed experimental deep reinforcement learning framework[J], Journal of Fluid Mechanics, 2025, 1009: A3.