LLM充当数据分析Agent，如何实现？

今天来聊聊LLM能否取代数据分析师的工作？数据分析到底是啥。简单来说，就是帮助产品团队基于数据做出正确决策。从描述性分析到预测性分析，再到规范性分析，每一步都至关重要。但要让LLM成为数据分析师，我们得从基础做起，先让LLM学会处理描述性分析和报告任务。

接下来，我们聊聊LLM Agent和工具的概念。想象一下，如果LLM能够像真正的分析师一样，根据需要选择使用不同的工具，那会是怎样的体验？这就是我们要探索的——让LLM成为一个能够自主选择行动方案的智能体。

我们用OpenAI的函数作为工具，让LLM能够执行SQL查询、使用计算器或者调用搜索引擎等操作。这些工具让LLM能够与现实世界互动，极大地扩展了它的能力。

举个例子，我们教LLM如何使用一个计算两个指标之间百分比差异的工具。首先，我们定义了一个工具函数，并用@tool装饰器标记。然后，我们把这个工具转换成OpenAI函数，这样LLM就知道如何使用它了。

class Metrics(BaseModel):       metric1: float = Field(description="基础指标"       metric2: float = Field(description="基于基础指标计算差异的相对指标")      @tool(args_schema=Metrics)   def percentage_difference(metric1: float, metric2: float) -> float:       """计算两个指标之间的差异百分比"""       return (metric2 - metric1)/metric1*100   

使用langchain，我们就可以得到可以作为openai api函数参数的描述

from langchain.tools.render import format_tool_to_openai_function   print(format_tool_to_openai_function(percentage_difference))   

这里我们继续定义2个新的工具，获取指定月份的用户数量以及查询维基百科

import datetime   import random      class Filters(BaseModel):       month: str = Field(description="月份，格式为%Y-%m-%d")       city: Optional[str] = Field(description="客户的居住城市（默认不筛选）",                        enum = ["上海", "武汉", "北京", "深圳"])      @tool(args_schema=Filters)   def get_monthly_active_users(month: str, city: str = None) -> int:       """返回指定月份的活跃用户数量"""       dt = datetime.datetime.strptime(month, '%Y-%m-%d')       total = dt.year + 10*dt.month       if city is None:           return total       else:           return int(total*random.random())              import wikipedia      class Wikipedia(BaseModel):       term: str = Field(description="查询的词条")      @tool(args_schema=Wikipedia)   def get_summary(term: str) -> str:       """返回维基百科提供的关于给定词条的信息"""       return wikipedia.summary(term)   

然后，我们构建一个名为analyst_chain的处理流程，它可以接受用户请求，调用适当的工具，并返回结果。比如，用户问“2023年4月上海的用户数量是多少？”我们的LLM就能调用get_monthly_active_users工具，得到准确的数据。

toolkit = {       'percentage_difference': percentage_difference,       'get_monthly_active_users': get_monthly_active_users,       'get_summary': get_summary   }      analyst_functions = [format_tool_to_openai_function(f)      for f in toolkit.values()]        from langchain.prompts import MessagesPlaceholder      model = ChatOpenAI(temperature=0.1, model = 'gpt-4-1106-preview')\     .bind(functions = analyst_functions)      prompt = ChatPromptTemplate.from_messages([       ("system", "你是一名产品分析师，愿意帮助你的产品团队。你非常严谨且准确。你只使用初始请求中提供的信息。如果你需要确定某些信息，例如省会的名称，你可以使用维基百科。"),       ("user", "{request}"),       MessagesPlaceholder(variable_name="observations")   ])      analyst_chain = prompt | model | OpenAIFunctionsAgentOutputParser()   

更复杂的是，如果用户问“2023年4月和5月，广东省会的用户数量变化了多少？”我们的LLM需要先查询Wikipedia找到广东省会（深圳），然后分别获取4月和5月的用户数据，最后计算这两个月之间的用户数量变化百分比。这一系列操作展示了LLM如何使用多个工具进行逻辑推理。

result1 = analyst_chain.invoke({       'request': "2023年4月和5月，广东省会的用户数量变化了多少？",       "observations": []   })      observation1 = toolkit[result1.tool](result1.tool_input)   print(observation1)         result2 = analyst_chain.invoke({       'request': "2023年4月和5月，广东省会的用户数量变化了多少？",       "observations": format_to_openai_functions([(result1, observation1)])   })   ...   

通过这些实践，我们发现LLM在处理复杂问题时，能够合理地调用不同的工具，按照逻辑步骤逐步解决问题。虽然目前这个原型还很基础，远远达不到初级数据分析师的水平，但这只是个开始。未来，我们将继续探索LLM Agent的更多可能性，甚至让它们能够访问数据库，回答更基础的问题。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】