https://github.com/dynamiclu/CeCeData-Agent
基于 Mcp 架构的 ChatBI，是一种数据分析智能体解决方案
https://github.com/dynamiclu/CeCeData-Agent
chat-bi llm llm-agent llm-agents mcp python
Last synced: 5 months ago
JSON representation
基于 Mcp 架构的 ChatBI，是一种数据分析智能体解决方案
- Host: GitHub
- URL: https://github.com/dynamiclu/CeCeData-Agent
- Owner: dynamiclu
- Created: 2025-05-05T10:31:27.000Z (about 1 year ago)
- Default Branch: main
- Last Pushed: 2025-05-06T07:23:07.000Z (about 1 year ago)
- Last Synced: 2025-05-06T08:19:58.534Z (about 1 year ago)
- Topics: chat-bi, llm, llm-agent, llm-agents, mcp, python
- Language: Python
- Homepage:
- Size: 19.5 KB
- Stars: 6
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Mcp-ChatBI
## 介绍
基于 [Mcp](https://mcp-docs.cn/) 架构的 ChatBI，是一种数据分析智能体的解决方案。
本项目主要解决ChatBI常见的三个问题
+ 1、如何保障数据的100%的准确性？
由于模型存在幻觉，无论是NL2SQL、NL2Code，都无法保障数据100%的准确。且数据的准确性又是BI系统的红线，因此，本项目使用NL2Tools的方案，Tools可以是Headless BI的服务，也可是API。
+ 2、一次对话如何查询多个指标？
过去一次对话只能查一个指标，若多个指标需要工程层面去拆解，架构的复杂度非常高，本项目，利用模型的任务规划、推理能力，模型自动拆解多个指标，并按照顺序调用Tools，并返回结果。
+ 3、如何让数据分析的链路自动化？
常见的数据分析方法，如对比分析、多维钻取、归因运算等，它常常伴有复杂的逻辑推理，当前大模型能力突飞猛进，已经具有复杂问题的推理能力，因此，本项目，利用模型推理能力，自动生成数据链路，并逐次调用Tools，返回结果，最后总结分析。
## 部署
### 1. 环境配置
+ 确保你的机器安装了 Python 3.10 - 3.12
```shell
# 拉取仓库
$ git clone https://github.com/dynamiclu/Mcp-ChatBI.git
# 进入目录
$ cd Mcp-ChatBI
# 安装全部依赖
$ pip3 install -r requirements.txt
```
+ 大模型配置
```shell
$ vim config/config.toml
[model]
qwen_api_key = "sk-**********"
qwen_model_name = "qwen-max"
```
### 2. 启动接口
```shell
# 启动API
$ python3 main-api.py
```
### 3. 启动Gradio
```shell
# 启动Gradio
$ python3 main-webui.py
```
### 4. 演示
[https://www.bilibili.com/video/BV1b95vzPEjf/](https://www.bilibili.com/video/BV1b95vzPEjf/)