浙江大学提出的 Data-Copilot 框架，该框架利用 LLM Agent 技术实现金融领域的数据分析自动化。文章详细解析了框架的两个核心部分：基于大模型的 API 生成流程（包括用户请求生成、API 调用语句生成、相似 API 合并及代码生成）和基于生成 API 的任务规划执行流程（涵盖意图识别、行为规划及多种执行模式）。内容还探讨了 Python 实现示例及面临的幻觉、延迟等挑战，为构建数据分析智能体提供了技术参考。
随着大语言模型（LLM）技术的飞速发展，智能体（Agent）在垂直领域的应用逐渐成为研究热点。在数据分析领域，传统的 BI 工具往往依赖预设的查询逻辑，难以应对用户自然语言的复杂意图。浙江大学提出的 Data-Copilot 框架旨在通过自主工作流（Autonomous Workflow），连接海量数据与人类用户，实现从自然语言提问到数据分析结果生成的端到端自动化。
本文基于 Data-Copilot 论文及开源实践，深入解析其核心架构、API 生成机制、任务规划流程以及在实际金融数据分析场景中的落地方案。
Data-Copilot 是一个支持多种金融数据类型查询、数据处理、简单建模和数据可视化的扩展性框架。其核心设计理念是将复杂的分析任务拆解为可执行的原子操作，并通过大模型进行编排。
整个框架主要包含两个核心部分：
一个完整的数据分析任务通常包含以下关键要素，这也是框架需要解析的核心维度：
API 生成是 Data-Copilot 的基础设施层，目的是让大模型能够理解并调用特定的数据处理函数。虽然部分底层代码未完全开源，但根据论文描述，该过程可分为四个关键步骤。
API 的设计必须基于真实用户的提问习惯。由于用户提问依赖于现有数据能力，因此采用'数据描述 + 人工种子提问'作为上下文，利用 LLM 生成更多潜在的用户查询语句。这一步骤旨在扩充训练语料，确保后续生成的 API 能覆盖广泛的查询场景。
将生成的用户提问输入模型，通过特定的 Prompt 指令引导 LLM 分解任务。模型需输出完成一个数据分析任务所需的多个步骤，以及每个步骤对应的 API 描述和伪代码。
API 结构定义通常遵循如下格式：
{
"Interface Name": "query_stock_price",
"Function description": "获取指定股票在特定时间段内的价格数据",
"Input and Output": {
"stock_code": "string",
"start_date": "date",
"end_date": "date"
}
}
随着 API 数量的增加，功能重叠不可避免。系统会将新生成的 API 与已存在的 API 配对，输入模型判断是否功能相似。例如，查询 GDP 的 API 和查询 CPI 的 API 可以合并为一个更通用的宏观经济指标查询 API。
优化建议：直接两两比对的时间开销较大。在生产环境中，建议先基于 API 描述进行离线聚类，对每个 Cluster 内部进行合并，以提高效率。
针对合并后的 API 定义，使用大模型生成具体的 Python 代码实现。Data-Copilot 主要使用 Pandas DataFrame 作为数据处理和绘图的数据交互格式。论文将工具调用分为五大类：
获得 API 后，核心挑战在于如何排列组合这些 API 以回答用户提问。任务流被拆分为意图识别和行为规划两个阶段。
意图识别模块融合了搜索中 Query 预处理的功能，旨在缩小问题范围，提高后续 API 调用的准确率。具体包括：
论文采用 Few-Shot 的大模型改写任务，将模糊的自然语言提问改写为具有明确时间区间和任务类型的结构化文本。这实际上是一种 Query Rewrite 策略，而非单纯的分类识别。
技术思考：意图识别模块对后续行为规划影响巨大。考虑到成本和延迟，可以考虑不直接使用大模型，而是利用大模型生成样本蒸馏到小模型上，或将模块拆分为独立的细粒度组件（如资产实体抽取、意图分类、时间解析）。
行为规划负责将改写后的 Query 拆解为可执行的步骤序列。
输入改写后的 Query，通过 Few-Shot Prompt 指导模型将其拆分成多个执行步骤。作者定义了五种任务类型：stock_task、fund_task、economic_task、visualization_task、financial_task。这种分类类似于思维链（Chain of Thought），旨在缩小 API 调用范围。
基于任务类型，系统会匹配相应的 Few-Shot Prompt，指导模型生成多步 API 调用序列，包括每一步的 API 名称、输入参数、输出预期和返回值。
Data-Copilot 构建了三种不同的 API 执行方式：
在实际开发中，结合 Pandas 和 LangChain 等框架可以实现类似的 Agent 逻辑。以下是一个简化的代码结构示例，展示如何定义工具并调用。
import pandas as pd
from typing import List, Dict
# 定义基础数据结构
class DataCopilotTool:
def __init__(self):
self.api_registry = {}
def register_api(self, name: str, func):
self.api_registry[name] = func
def execute_plan(self, plan_steps: List[Dict], data_context: pd.DataFrame):
results = []
for step in plan_steps:
api_name = step['api']
args = step['args']
if api_name in self.api_registry:
result = self.api_registry[api_name](data_context, **args)
results.append(result)
return results
# 示例：获取股票数据
def get_stock_data(df: pd.DataFrame, ticker: str, start: str, end: str) -> pd.DataFrame:
# 模拟数据过滤逻辑
return df[(df['ticker'] == ticker) & (df['date'].between(start, end))]
# 注册工具
toolkit = DataCopilotTool()
toolkit.register_api('get_stock_data', get_stock_data)
尽管 Data-Copilot 展示了强大的潜力，但在实际落地中仍面临诸多挑战：
未来的优化方向包括：
Data-Copilot 代表了 LLM Agent 在专业领域落地的一个重要方向。通过将自然语言转化为可执行的数据分析工作流，它极大地降低了数据分析的门槛。随着模型能力的提升和工程优化的深入，此类智能体有望成为企业和个人的标准数据分析助手。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online