Перейти к содержимому

08. Data Analysis Agent: pandas в цикле агента

Агент анализирует таблицы, исполняя сгенерированный код pandas. Здесь важно не качество ответов, а конструкция безопасности: опасная возможность включается явным флагом.

Ответить на аналитический вопрос по CSV или Excel: тренды, агрегаты, выбросы. Демо-режим создаёт учебные данные продаж. Граница: агент считает, но не проверяет корректность постановки вопроса.

flowchart LR
  F["CSV / Excel"] --> D["DataFrame"]
  Q["Вопрос"] --> A["Pandas-агент"]
  D --> A
  A -->|"код Python"| X["Исполнение"]
  X -->|"результат"| A
  A --> R["Ответ"]
  1. Данные загружаются в DataFrame (или создаётся демо-набор).
  2. create_pandas_dataframe_agent получает данные, модель и флаг опасного кода.
  3. Агент пишет код, исполняет его, читает результат.
  4. Ответ формулируется по результату вычисления.
agent = create_pandas_dataframe_agent(
llm, df,
allow_dangerous_code=args.allow_dangerous_code,
verbose=True,
)

Без флага агент отказывается работать и объясняет, что именно разрешает флаг.

  • Опасность делается видимой. Флаг в командной строке — это не защита, но честное предупреждение и осознанное решение.
  • Код как инструмент. Исполнение кода даёт больше возможностей, чем SQL, и больше риска.
  • Данные локальны. В примере таблица загружается в процесс, а не отправляется на сервер.
  • Код исполняется в процессе приложения. Без песочницы он имеет доступ к файловой системе и сети.
  • Нет лимита времени. Тяжёлый запрос подвесит процесс.
  • Правдоподобные числа. Ошибка в фильтре даёт неверный тренд без исключения.
  • Нет проверки результата. Контрольная сумма не считается.
  • Песочница: контейнер, без сети, ограничение CPU и времени.
  • Явный список разрешённых библиотек.
  • Показывать сгенерированный код рядом с ответом.
  • Сверять ключевые числа с контрольным отчётом — см. Данные и аналитика.
  • pandas — библиотека анализа данных.