背景

数据分析的典型痛点：业务人员有数据、有问题，但不会写代码；数据分析师会写代码，但沟通成本高、响应慢。能不能让大模型直接"写代码做分析"，同时保证安全性和可靠性？DataMind 是一个零代码数据分析 Agent 工作站，用户只需用自然语言提问，系统自动生成分析代码、在受控沙箱中执行、校验结果有效性，最终交付结论与图表。整个过程中用户不需要写一行代码。## 系统架构### 整体设计用户提问 → 规划Agent → 生成分析计划+代码 ↓ 执行Agent → 受控沙箱运行 ↓ 校验Agent → 结果是否成立？ ↓ 不通过 → 诊断回灌 → 规划Agent重做（最多N次） 通过 → 交付结论+图表 仍失败 → 回落到规则模板（保证可用性底线）### 三元 Agent 闭环这是系统的核心设计。三个 Agent 各司其职：规划 Agent：接收用户问题，生成分析计划（自然语言描述）和可执行代码。支持多候选方案——同一问题从不同分析角度生成多个 PlanCandidate，执行后择优。python@dataclassclass PlanCandidate: """一个候选分析方案""" plan: str # 分析计划描述 code: str # 可执行代码 intent: str = "" # 分析角度 source: str = "rule" # rule | llm score: float = 0.0 # 评分 ok: bool = False # 是否执行成功 chart: bool = False # 是否出图 rows: int = 0 # 结果行数 diagnosis: str = "" # 诊断信息 conclusion: str = ""# 结论执行 Agent：将代码放入受控沙箱运行，捕获输出、图表和异常。校验 Agent：判定结果是否成立——是否为空、是否答非所问、该出的图有没有出。不通过则把诊断回灌给规划 Agent 重做。### 可用性底线：规则模板回落无论 LLM 出什么问题（API 超时、生成错误代码、校验不通过），系统都保证有可交付的结果。当 LLM 路径失败 N 次后，回落到规则模板路径——基于关键词匹配的预置分析模板，覆盖常见分析场景。## 受控代码沙箱这是系统的核心安全工程点。让大模型"能写代码"，但不让它"能干任何事"。### 四道闸门pythonFORBIDDEN_NODES = ( ast.Import, ast.ImportFrom, # 禁 import ast.For, ast.While, # 禁循环 ast.FunctionDef, ast.ClassDef, # 禁函数与类定义 ast.Global, ast.Nonlocal, # 禁全局/非局部 ast.Try, ast.Raise, # 禁异常与断言)| 闸门 | 作用 | 实现 ||------|------|------|| AST 静态白名单 | 禁 import / 禁循环 / 禁函数定义 / 禁异常 | ast.walk() 遍历，拒绝禁止节点 || 名称黑名单 | eval、open、getattr、globals 等拒绝 | ast.Name 节点检查 || 属性过滤 | 以 _ 开头的属性（__class__、__globals__）拒绝 | ast.Attribute 节点检查 || 受限命名空间 | 只注入 pd / np / plt / df，无 builtins 危险函数 | 自定义 exec 的 globals |### 执行超时与输出捕获pythonimport threadingdef run(code, timeout=10): result = ExecutionResult() def target(): exec(code, restricted_globals, local_ns) t = threading.Thread(target=target) t.start() t.join(timeout) if t.is_alive(): raise SandboxError("执行超时")沙箱还叠加了执行超时（防死循环，虽然循环本身已被 AST 白名单禁止，但库函数内部可能有长耗时操作）和输出捕获（stdout 重定向、图表对象提取）。## 自动建模用户指定目标列后，系统自动完成建模全流程：```pythondef auto_model(df, target_col): # 1. 任务类型判定：分类 or 回归 task = “classification” if df[target_col].nunique() < 20 else “regression” # 2. 预处理流水线 # - 数值列：中位数填充 + 标准化 # - 类别列：众数填充 + OneHot/Label编码 # - SafeLabelEncoder：未见过标签返回-1，不抛异常 # 3. 多模型对比 models = { “逻辑回归”: LogisticRegression(), “随机森林”: RandomForestClassifier(), “梯度提升”: GradientBoostingClassifier(), } # 4. 交叉验证选最优 for name, model in models.items(): score = cross_val_score(model, X, y, cv=5) results[name] = score.mean() # 5. 返回最优模型 + 评估指标 return best_model, metrics````SafeLabelEncoder` 是一个工程细节亮点：对未见过的新标签返回 -1 而非抛异常，保证模型在新数据上不崩溃。## 一键报告导出系统支持一键导出 Word 分析报告，包含：- 数据概览（行列数、数据类型、缺失率）- 质量体检（异常值、重复行）- 分析留痕（每步分析的代码、结论、图表）- 建模结论（最优模型、特征重要性、评估指标）## 技术栈- GUI：CustomTkinter（现代化深色主题桌面端）- LLM 接入：DeepSeek / OpenAI 兼容接口，urllib 零第三方依赖- 数据：pandas / numpy- 可视化：matplotlib（中文渲染已处理）- 持久化：SQLite（项目与历史记录）- 报告：python-docx## 工程要点总结1. 三元 Agent 闭环是可靠性的核心——规划、执行、校验分离，校验不通过自动重做2. 多候选择优让分析更全面——同一问题多角度生成方案，执行后择优3. 规则模板回落是可用性底线——LLM 失败仍有结果4. 四道闸门沙箱是安全核心——AST 白名单 + 名称黑名单 + 属性过滤 + 受限命名空间5. SafeLabelEncoder 处理新标签——返回 -1 而非崩溃代码已开源：github.com/lkq-dyq/DataMind