系列篇章💥

AI大模型探索之路-实战篇4：深入DB-GPT数据应用开发框架调研
AI大模型探索之路-实战篇5：探索Open Interpreter开放代码解释器调研
AI大模型探索之路-实战篇6：掌握Function Calling的详细流程
AI大模型探索之路-实战篇7：Function Calling技术实战自动生成函数
AI大模型探索之路-实战篇8：多轮对话与Function Calling技术应用
AI大模型探索之路-实战篇9：探究Agent智能数据分析平台的架构与功能
AI大模型探索之路-实战篇10：数据预处理的艺术：构建Agent智能数据分析平台的基础
AI大模型探索之路-实战篇11： Function Calling技术整合：强化Agent智能数据分析平台功能
AI大模型探索之路-实战篇12： 构建互动式Agent智能数据分析平台：实现多轮对话控制
AI大模型探索之路-实战篇13： 从对话到报告：打造能记录和分析的Agent智能数据分析平台

目录

• 系列篇章💥
• 一、前言
• 二、实现本地Python代码解释器
• • 1、定义数据提取函数
  • 2、数据查询汲取测试
  • 3、变量数据查看
  • 4、数据汲取函数信息生成
  • 5、大模型调用测试
  • 6、定义python代码执行函数
  • 7、自动生成python代码执行函数的信息
  • 8、第一次大模型调用测试（python代码执行函数调用测试）
  • 9、第二次大模型调用测试
  • 10、第三次大模型调用测试
• 三、可视化展示数据
• • 1、获取数据
  • 2、可视化展示
• 四、把可视化图片存入云盘文档
• • 1、图形绘制测试
  • 2、定义图片存储服务
• 五、 实现把图片变为fig对象的代码逻辑
• • 1、获取数据
  • 2、查看代码
  • 3、执行代码（可视化展示）
  • 4、定义insert_fig_objec函数，插入matplotlib图形对象
  • 5、insert_fig_objec函数测试
  • 6、可视化展示gender字段取值分布1
  • 7、可视化展示gender字段取值分布2
  • 8、提取代码格式化输出
  • 9、重新定义python代码执行函数
  • 10、查看fg对象
• 六、多轮对话增加Python代码解释器效果
• • 1、定义Python代码提取函数
  • 2、大模型两次调用封装
  • 3、多轮对话函数定义
  • 4、定义工具列表
  • 5、多轮对话测试
• 七、结语

一、前言

在之前的文章里，我们展示了如何利用大型模型的推理能力和Function Calling技术实现从自然语言到数据查询分析处理的转变。然而，除了依赖大模型自身的能力之外，有时我们还需要处理一些超出大模型能力范围的任务，例如调用本地代码库进行数据的可视化展示。因此，本文将介绍如何通过为Agent智能数据分析平台增添新外挂——Python代码解释器，来进一步增强其能力。

二、实现本地Python代码解释器

1、定义数据提取函数

定义一个数据提取服务，用于读取数据库表信息，放入到df变量中，并设置成全局变量

def extract_data(sql_query,df_name):     """     用于借助pymysql，将MySQL中的iquery数据库中的表读取并保存到本地Python环境中。     :param sql_query: 字符串形式的SQL查询语句，用于提取MySQL中iquery数据库中的某张表。     :param df_name: 将MySQL数据库中提取的表格进行本地保存时的变量名，以字符串形式表示。     :return：表格读取和保存结果     """          mysql_pw = "iquery_agent"          connection = pymysql.connect(             host='localhost',  # 数据库地址             user='iquery_agent',  # 数据库用户名             passwd=mysql_pw,  # 数据库密码             db='iquery',  # 数据库名             charset='utf8'  # 字符集选择utf8         )          # 使用pandas的read_sql方法，根据SQL查询语句从数据库中读取数据，并将结果保存到本地变量中     globals()[df_name] = pd.read_sql(sql_query, connection)          return "已成功完成%s变量创建" % df_name 

2、数据查询汲取测试

测试数据查询，并传入一个本地变量用于接收查询到的数据

sql_query = "SELECT * FROM user_demographics LIMIT 10" data_name = "test_dataframe" extract_data(sql_query,data_name) 

输出：

3、变量数据查看

查看本地的全局变量，确认是否有接收到数据

test_dataframe 

输出：

4、数据汲取函数信息生成

使用函数自动生成器，生成数据库查询函数的信息

#定义函数列表 functions_list = [extract_data] #函数信息生成测试 tools = auto_functions(functions_list) tools 

输出：

注意：读取数据库和python代码解析的函数信息建议采用自己手写的方式，避免大模型不稳定，有时候生成的格式不对

5、大模型调用测试

测试大模型能否正常找到对于的数据汲取的函数

messages=[             {"role": "user", "content": "请帮我读取iquery数据库中的user_payments，并保存至本地"}         ]      response = client.chat.completions.create(         model="gpt-3.5-turbo",         messages=messages,         tools=tools,         tool_choice="auto",       )  response.choices[0].message 

输出：

6、定义python代码执行函数

定义一个能够在本地执行python代码的工具函数

# 能够在本地执行python代码的外部函数 # 定义一个名为python_inter的函数，该函数接受一个字符串类型的python代码作为参数 def python_inter(py_code):     """     该函数的主要作用是对iquery数据库中各张数据表进行查询和处理，并获取最终查询或处理结果。     :param py_code: 字符串形式的Python代码，此代码用于执行对iquery数据库中各张数据表进行操作     :return：返回代码运行的最终结果     """         # 记录函数开始执行时，全局作用域内的变量名     global_vars_before = set(globals().keys())     try:         # 尝试执行传入的代码，代码的作用域为全局作用域         exec(py_code, globals())     except Exception as e:         # 如果代码执行出错，返回错误信息         return str(e)     # 记录代码执行后，全局作用域内的变量名     global_vars_after = set(globals().keys())     # 获取执行代码后新产生的全局变量名     new_vars = global_vars_after - global_vars_before     # 如果有新的全局变量产生     if new_vars:         # 返回新的全局变量及其值         result = {var: globals()[var] for var in new_vars}         return str(result)     else:         try:             # 如果没有新的全局变量产生，尝试计算并返回代码的执行结果             return str(eval(py_code, globals()))         except Exception as e:             # 如果计算代码执行结果也出错，返回成功执行代码的消息             return "已经顺利执行代码" 

7、自动生成python代码执行函数的信息

利用大模型生成funcation calling需要的函数信息（实践运用时建议手写，避免大模型不稳定生成格式不对）

functions_list = [python_inter] tools = auto_functions(functions_list) tools 

输出：

8、第一次大模型调用测试（python代码执行函数调用测试）

1）调用大模型，并找到工具函数
通过大模型API自动调用python代码执行函数，检查确认大模型是否能找的工具函数python_inter

messages=[             {"role": "user", "content": "已经读取iquery数据库中的user_payments数据表，并保存为test_dataframe"},             {"role": "user", "content": "test_dataframe是已经定义好的变量"},             {"role": "user", "content": "请帮我检查test_dataframe中总共包含几个字段"}         ]      response = client.chat.completions.create(         model="gpt-3.5-turbo",         messages=messages,         tools=tools,         tool_choice="auto",       )  response.choices[0].message 

2）获取代码变量

py_code=response.choices[0].message.tool_calls[0].function.arguments #格式转换 code = json.loads(py_code) #查看代码 code 

输出：（查看变量）

3）取出变量信息

code_str = code.get("py_code") #取出代码 code_str 

4）执行代码，看结果

#Python代码执行测试（查看经过python代码格式化之后的数据库数据） python_inter(code_str) 

9、第二次大模型调用测试

第二次大模型API调用测试，获取查询user_payments数据表，获取字段信息和取值范围。

messages=[             {"role": "user", "content": "已经读取iquery数据库中的user_payments数据表，并保存为test_dataframe"},             {"role": "user", "content": "test_dataframe是已经定义好的变量"},             {"role": "user", "content": "请帮我检查test_dataframe中各字段的基本类型和取值范围"}         ]      response = client.chat.completions.create(         model="gpt-3.5-turbo-16k",         messages=messages,         tools=tools,         tool_choice="auto",       )  response.choices[0].message 

输出：

函数信息查看、提取

code = json.loads(response.choices[0].message.tool_calls[0].function.arguments) code_str = code.get("py_code") code_str 

代码执行测试

python_inter(code_str) 

10、第三次大模型调用测试

第三次大模型API调用测试，获取查询user_payments数据表，并统计缺失列。

messages=[             {"role": "user", "content": "已经读取iquery数据库中的user_payments数据表，并保存为test_dataframe"},             {"role": "user", "content": "test_dataframe是已经定义好的变量"},             {"role": "user", "content": "请帮我检查test_dataframe中各列的缺失值情况，并将统计结果保存为missing_value对象"}         ]      response = client.chat.completions.create(         model="gpt-3.5-turbo",         messages=messages,         tools=tools,         tool_choice="auto",       )  response.choices[0].message 

输出：

查看变量信息：missing_value
获取查看函数

code = json.loads(response.choices[0].message.tool_calls[0].function.arguments) code_str = code.get("py_code") code_str 

代码执行

python_inter(code_str) 

查看执行后的变量

missing_value 

三、可视化展示数据

借助Python代码解释器进行可视化数据展示

1、获取数据

根据大模型获取test_dataframe中gender字段信息

messages=[             {"role": "user", "content": "已经读取iquery数据库中的user_payments数据表，并保存为test_dataframe"},             {"role": "user", "content": "test_dataframe是已经定义好的变量"},             {"role": "user", "content": "请帮我统计test_dataframe中gender字段的不同取值分布情况，并以可视化形式进行展示"}         ]      response = client.chat.completions.create(         model="gpt-3.5-turbo",         messages=messages,         tools=tools,         tool_choice="auto",       )  response.choices[0].message 

查看函数信息

code = json.loads(response.choices[0].message.tool_calls[0].function.arguments) code_str = code.get("py_code") code_str 

2、可视化展示

执行python代码解释器，进行可视化展示

python_inter(code_str) 

四、把可视化图片存入云盘文档

1、图形绘制测试

import matplotlib.pyplot as plt  # 创建一个图形 fig, ax = plt.subplots() ax.plot([1, 2, 3, 4, 5]) 

查看类型

type(fig) 

2、定义图片存储服务

from docx import Document import matplotlib.pyplot as plt import os import tempfile  def append_img_in_doc(folder_name, doc_name, img):     """"     往文件里追加图片     @param folder_name=目录名，doc_name=文件名，img=图片对象，数据类型为matplotlib.figure.Figure对象     """     base_path = "/root/autodl-tmp/iquery项目/iquery云盘"     ## 目录地址     full_path_folder=base_path+"/"+folder_name     ## 文件地址     full_path_doc = os.path.join(full_path_folder, doc_name)+".doc"           # 检查目录是否存在，如果不存在则创建     if not os.path.exists(full_path_folder):         os.makedirs(full_path_folder)          # 检查文件是否存在     if os.path.exists(full_path_doc):         print(full_path_doc)         # 文件存在，打开并追加内容         document = Document(full_path_doc)     else:         # 文件不存在，创建一个新的文档对象         document = Document()      # 追加图片     # 将matplotlib的Figure对象保存为临时图片文件     with tempfile.NamedTemporaryFile(delete=False, suffix='.png') as tmpfile:         fig.savefig(tmpfile.name, format='png')         # 将图片插入到.docx文档中         document.add_picture(tmpfile.name)          # 保存文档     document.save(full_path_doc)     print(f"图片已追加到 {doc_name}")      append_img_in_doc(folder_name="电信用户行为分析", doc_name="数据分析问答", img=fig) 

五、 实现把图片变为fig对象的代码逻辑

1、获取数据

messages=[             {"role": "user", "content": "已经读取iquery数据库中的user_payments数据表，并保存为test_dataframe"},             {"role": "user", "content": "test_dataframe是已经定义好的变量"},             {"role": "user", "content": "请帮我统计test_dataframe中gender字段的不同取值分布情况，并以可视化形式进行展示，可视化展示时请尽量绘制更加清晰美观的图片"}         ]      response = client.chat.completions.create(         model="gpt-3.5-turbo",         messages=messages,         tools=tools,         tool_choice="auto",       )  response.choices[0].message 

2、查看代码

code = json.loads(response.choices[0].message.tool_calls[0].function.arguments) code_str = code.get("py_code") code_str 

3、执行代码（可视化展示）

python_inter(code_str) 

4、定义insert_fig_objec函数，插入matplotlib图形对象

1）查看代码

code_str 

2）在给定的代码字符串（code_str）中插入一个名为fig的matplotlib图形对象
检查代码字符串中是否已经存在fig对象的创建，如果不存在，则在第一次出现绘图相关代码的位置之前插入fig对象的创建。这样可以确保在使用matplotlib绘图时，所有的绘图操作都在同一个图形对象上进行

def insert_fig_object(code_str):     global fig     # 检查是否已存在 fig 对象的创建     if 'fig = plt.figure' in code_str:         return code_str  # 如果存在，则返回原始代码字符串      # 定义可能的库别名和全名     plot_aliases = ['plt.', 'matplotlib.pyplot.','plot']     sns_aliases = ['sns.', 'seaborn.']      # 寻找第一次出现绘图相关代码的位置     first_plot_occurrence = min((code_str.find(alias) for alias in plot_aliases + sns_aliases if code_str.find(alias) >= 0), default=-1)       # 如果找到绘图代码，则在该位置之前插入 fig 对象的创建     if first_plot_occurrence != -1:         plt_figure_index = code_str.find('plt.figure')         if plt_figure_index != -1:             # 寻找 plt.figure 后的括号位置，以确定是否有参数             closing_bracket_index = code_str.find(')', plt_figure_index)             # 如果找到了 plt.figure()，则替换为 fig = plt.figure()             modified_str = code_str[:plt_figure_index] + 'fig = ' + code_str[plt_figure_index:closing_bracket_index + 1] + code_str[closing_bracket_index + 1:]         else:             modified_str = code_str[:first_plot_occurrence] + 'fig = plt.figure()\n' + code_str[first_plot_occurrence:]         return modified_str     else:         return code_str  # 如果没有找到绘图代码，则返回原始代码字符串 

5、insert_fig_objec函数测试

code_temp1=( "import matplotlib.pyplot as plt\n\n# 统计gender字段的不同取值分布情况\ngender_counts = test_dataframe['gender'].value_counts()\n\n# 绘制柱状图\nplt.figure(figsize=(8, 6))\nplt.bar(gender_counts.index, gender_counts.values)\nplt.xlabel('Gender')\nplt.ylabel('Count')\nplt.title('Distribution of Gender')\n\n# 展示图形\nplt.show()" ) modified_str = insert_fig_object(code_temp1) print(modified_str) 

6、可视化展示gender字段取值分布1

1. 导入matplotlib.pyplot库，并将其别名为plt。
2. 统计test_dataframe中gender字段的不同取值分布情况，将结果存储在gender_counts变量中。
3. 创建一个8x6大小的图形对象fig。
4. 使用plt.bar()函数绘制柱状图，横坐标为gender_counts的索引（即不同的性别取值），纵坐标为gender_counts的值（即每个性别取值的数量）。
5. 设置横轴标签为’Gender’，纵轴标签为’Count’，标题为’Distribution of Gender’。
6. 使用plt.show()函数展示图形。

import matplotlib.pyplot as plt  # 统计gender字段的不同取值分布情况 gender_counts = test_dataframe['gender'].value_counts()  # 绘制柱状图 fig = plt.figure(figsize=(8, 6)) plt.bar(gender_counts.index, gender_counts.values) plt.xlabel('Gender') plt.ylabel('Count') plt.title('Distribution of Gender')  # 展示图形 plt.show() 

输出

7、可视化展示gender字段取值分布2

使用了seaborn库来设置图形样式和绘制柱状图

import matplotlib.pyplot as plt import seaborn as sns  counts = test_dataframe['gender'].value_counts()  fig = plt.figure(figsize=(8,6)) sns.set(style='whitegrid') sns.barplot(x=counts.index, y=counts.values) plt.title('Distribution of Gender in test_dataframe') plt.xlabel('Gender') plt.ylabel('Count') plt.show() 

输出

8、提取代码格式化输出

def extract_python(json_str):        # 使用literal_eval将字符串转换为字典     dict_data = json.loads(json_str)     # 提取'sql_query'的值     py_code_value = dict_data['py_code']     # 提取并返回'sql_query'的值     return py_code_value      json_str = response.choices[0].message.tool_calls[0].function.arguments print(json_str) print(extract_python(json_str)) 

输出：

9、重新定义python代码执行函数

def python_inter(py_code):     """     用于对iquery数据库中各张数据表进行查询和处理，并获取最终查询或处理结果。     :param py_code: 字符串形式的Python代码，用于执行对iquery数据库中各张数据表进行操作     :return：代码运行的最终结果     """         # 添加图片对象，如果存在绘图代码，则创建fig对象     py_code = insert_fig_object(py_code)     global_vars_before = set(globals().keys())     try:         exec(py_code, globals())     except Exception as e:         return str(e)     global_vars_after = set(globals().keys())     new_vars = global_vars_after - global_vars_before     if new_vars:         result = {var: globals()[var] for var in new_vars}         return str(result)     else:         try:             return str(eval(py_code, globals()))         except Exception as e:             return "已经顺利执行代码" 

测试

python_inter(code_str) 

10、查看fg对象

fig 

六、多轮对话增加Python代码解释器效果

1、定义Python代码提取函数

def extract_python(json_str):     if isinstance(json_str, dict):         return json_str['py_code']           # 使用literal_eval将字符串转换为字典     dict_data = json.loads(json_str)     # 提取'sql_query'的值     py_code_value = dict_data['py_code']     # 提取并返回'sql_query'的值     return py_code_value 

2、大模型两次调用封装

def check_code_run(messages,                    project_name,                    doc_name,                    functions_list=None,                    tools=None,                    model="gpt-3.5-turbo",                    auto_run = True):     """     能够自动执行外部函数调用的对话模型     :param messages: 必要参数，字典类型，输入到Chat模型的messages参数对象     :param prject_name: 项目名     :param doc_name: 文件名     :param functions_list: 可选参数，默认为None，可以设置为包含全部外部函数的列表对象     :param model: Chat模型，可选参数，默认模型为gpt-3.5-turbo     :return：Chat模型输出结果     """     code = None     # 如果没有外部函数库，则执行普通的对话任务     if functions_list == None:         response = client.chat.completions.create(                         model=model,                         messages=messages,                         )         response_message = response.choices[0].message         final_response = response_message.content              # 若存在外部函数库，则需要灵活选取外部函数并进行回答     else:          # 创建外部函数库字典         available_functions = {func.__name__: func for func in functions_list}          # 第一次调用大模型         response = client.chat.completions.create(                         model=model,                         messages=messages,                         tools=tools,                         tool_choice="auto", )         response_message = response.choices[0].message         tool_calls = response_message.tool_calls         if tool_calls:             messages.append(response_message)              for tool_call in tool_calls:                 function_name = tool_call.function.name                 function_to_call = available_functions[function_name]                 function_args = json.loads(tool_call.function.arguments)                 #########################################                     # 创建code对象                 if 'sql_inter' in function_name or 'extract_data' in function_name:                     code = extract_sql(function_args)                     # 将代码字符串转换为Markdown格式                     markdown_code = f"```sql\n{code}\n```"                 else:                     code = extract_python(function_args)                                          code = insert_fig_object(code)                     # 将代码字符串转换为Markdown格式                     markdown_code = f"```python\n{code}\n```"                 #########################################                                if auto_run == False:                      print("已将问题转化为如下代码准备运行：")                     # 在Jupyter Notebook中展示Markdown格式的代码                     display(Markdown(markdown_code))                     #sql_query = extract_sql_by_str(function_args)                     #print("抽取出来的SQL：" + sql_query)                      res = input('是否确认并继续执行（1），或者退出本次运行过程（2）')                     if res == '2':                         print("终止运行")                         return None                     else:                         print("正在执行代码，请稍后...")                                          function_response = function_to_call(**function_args)                 messages.append(                     {                         "tool_call_id": tool_call.id,                         "role": "tool",                         "name": function_name,                         "content": function_response,                     }                 )              ## 第二次调用模型             second_response = client.chat.completions.create(                 model=model,                 messages=messages,             )              # 获取最终结果             final_response = second_response.choices[0].message.content         else:             final_response = response_message.content     del messages     ##################################     if code:         substrings = ['plt.', 'matplotlib.pyplot.', 'sns.', 'seaborn.','plot']         if any(substring in code for substring in substrings):             global fig             append_img_in_doc(project_name, doc_name, img=fig)             print("图片保存成功！")     ################################                      return final_response 

3、多轮对话函数定义

import tiktoken  def chat_with_inter(functions_list=None,                      prompt="你好呀",                      model="gpt-3.5-turbo",                      system_message=[{"role": "system", "content": "你是一个智能助手。"}],                      auto_run = True):          print("正在初始化外部函数库")     # 创建函数列表对应的参数解释列表     functions = auto_functions(functions_list)     #print(functions)     print("外部函数库初始化完成")     project_name = input("请输入当前分析项目名称：")     folder_name = create_directory(project_name)     print("已完成数据分析文件创建")     doc_name = input("请输入当前分析阶段，如数据探索阶段和理解、数据清洗阶段等：")     doc_name += '问答'     print("好的，即将进入交互式分析流程")     # 多轮对话阈值     if 'gpt-4' in model:         tokens_thr = 6000     elif '16k' in model:         tokens_thr = 14000     else:         tokens_thr = 3000          messages = system_message     ## 完成给用户输入的问题赋值     user_input = prompt     messages.append({"role": "user", "content": prompt})     ## 计算token大小     embedding_model = "text-embedding-ada-002"     # 模型对应的分词器（TOKENIZER）     embedding_encoding = "cl100k_base"     encoding = tiktoken.get_encoding(embedding_encoding)     tokens_count = len(encoding.encode((prompt + system_message[0]["content"])))          while True:                    answer = check_code_run(messages,                                 project_name=project_name,                                 doc_name = doc_name,                                 functions_list=functions_list,                                  tools=functions,                                 model=model,                                  auto_run = auto_run)                           print(f"模型回答: {answer}")                  #####################判断是否记录文档 start#######################         while True:             record = input('是否记录本次回答（1），还是再次输入问题并生成该问题答案（2）')             if record == '1':                                  Q_temp = 'Q:' + user_input                 A_temp = 'A:' + answer                                  append_in_doc(folder_name=project_name,                                                 doc_name=doc_name,                                                 qa_string=Q_temp)                 append_in_doc(folder_name=project_name,                                                 doc_name=doc_name,                                                 qa_string=A_temp)                                  # 记录本轮问题答案                 messages.append({"role": "assistant", "content": answer})                 break             else:                 print('好的，请再次输入问题')                 user_input = input()                 messages[-1]["content"] = user_input                 answer = check_code_run(messages,                                          project_name=project_name,                                         doc_name = doc_name,                                         functions_list=functions_list,                                         tools=functions,                                         model=model,                                                                                auto_run = auto_run)                                    print(f"模型回答: {answer}")                          ########################判断是否记录文档 stop #######################                   # 询问用户是否还有其他问题         user_input = input("您还有其他问题吗？(输入退出以结束对话): ")         if user_input == "退出":             del messages             break          # 记录新一轮问答         messages.append({"role": "assistant", "content": answer})         messages.append({"role": "user", "content": user_input})                  # 计算当前总token数         tokens_count += len(encoding.encode((answer + user_input)))                  # 删除超出token阈值的对话内容         while tokens_count >= tokens_thr:             tokens_count -= len(encoding.encode(messages.pop(1)["content"])) 

4、定义工具列表

#sql_inter, functions_list = [extract_data, python_inter] 

5、多轮对话测试

from IPython.display import display, Markdown, Code  chat_with_inter(functions_list=functions_list,                  prompt="请将iquery数据库中的user_demographics表保存到本地Python环境中，并命名为user_demographics_df",                  model="gpt-3.5-turbo",                  system_message=[{"role": "system", "content": md_content}],                  auto_run = False) 

对话效果

正在初始化外部函数库 [{'type': 'function', 'function': {'name': 'extract_data', 'description': '用于借助pymysql，将MySQL中的iquery数据库中的表读取并保存到本地Python环境中。', 'parameters': {'type': 'object', 'properties': {'sql_query': {'type': 'string', 'description': '字符串形式的SQL查询语句，用于提取MySQL中iquery数据库中的某张表。'}, 'df_name': {'type': 'string', 'description': '将MySQL数据库中提取的表格进行本地保存时的变量名，以字符串形式表示。'}}, 'required': ['sql_query', 'df_name']}}}, {'type': 'function', 'function': {'name': 'python_inter', 'description': '用于对chatbi数据库中各张数据表进行查询和处理，并获取最终查询或处理结果。', 'parameters': {'type': 'object', 'properties': {'py_code': {'type': 'string', 'description': '字符串形式的Python代码，用于执行对chatbi数据库中各张数据表进行操作'}}, 'required': ['py_code']}}}] 外部函数库初始化完成 请输入当前分析项目名称： 电信用户行为分析目录 电信用户行为分析 已存在 已完成数据分析文件创建 请输入当前分析阶段，如数据探索阶段和理解、数据清洗阶段等： 数据可视化 好的，即将进入交互式分析流程 已将问题转化为如下代码准备运行：  是否确认并继续执行（1），或者退出本次运行过程（2） 1 正在执行代码，请稍后... /tmp/ipykernel_150812/966933623.py:20: UserWarning: pandas only supports SQLAlchemy connectable (engine/connection) or database string URI or sqlite3 DBAPI2 connection. Other DBAPI2 objects are not tested. Please consider using SQLAlchemy. globals()[df_name] = pd.read_sql(sql_query, connection)  模型回答: 已将iquery数据库中的user_demographics数据表保存到本地Python环境中，并命名为user_demographics_df。您可以使用该变量进行进一步的数据分析和处理了。 是否记录本次回答（1），还是再次输入问题并生成该问题答案（2） 1 内容已追加到 数据可视化问答 内容已追加到 数据可视化问答 您还有其他问题吗？(输入退出以结束对话):  用可视化的方式展示user_demographics_df数据集中gender字段不同取值的占比情况 已将问题转化为如下代码准备运行： 是否确认并继续执行（1），或者退出本次运行过程（2） 1 正在执行代码，请稍后... 

七、结语

通过上述步骤的实践应用，我们已经成功将本地python代码解释器整合进入了Agent智能数据分析平台，到此，智能数据分析平台同时兼容了我们调研项目中的DB-GPT和Open Interpreter两者的优势特点。相当于给平台装上了两个翅膀，一个用于SQL解析、一个用于代码解释；从而让平台的数据处理能力更上一层楼。

🎯🔖更多专栏系列文章：AIGC-AI大模型探索之路

😎 作者介绍：我是寻道AI小兵，资深程序老猿，从业10年+、互联网系统架构师，目前专注于AIGC的探索。
📖 技术交流：建立有技术交流群，可以扫码👇 加入社群，500本各类编程书籍、AI教程、AI工具等你领取！
如果文章内容对您有所触动，别忘了点赞、⭐关注，收藏！加入我，让我们携手同行AI的探索之旅，一起开启智能时代的大门！