经常跟数据打交道的“表哥”、“表妹”，经常看报表的各位老板，应该非常熟悉Excel和CSV文件，通常我们想要分析数据中的信息，会使用各种函数、工具来进行探索和评估，最终输出分析报告形成数据支撑。
当下还是有非常多的企业招聘数据产品、数据分析的岗位，在大模型时代，如何用大模型的思路助力数据研发？这篇文章我们利用大模型、Agent以及LangChain框架来实现与CSV文件的直接“对话”，并且非常cool的一点，实现这一切仅仅需要两行代码。Excel可以导出成CSV格式，我们此处仅考虑CSV文件1. 准备工作
2. 编码
我们所用到的方法是langchain中的create_csv_agent，它可以通过agent的方式实现与csv文件的对话。
agent = create_csv_agent(OpenAI(temperature=0),"data.csv", verbose=True,)
answer = agent.run(user_input)
这里几个参数介绍下
第一个参数是你调用的大模型，你可以指定大模型的temperature, 模型版本等参数
第二个参数是csv文件目录，可以是一个文件，也可以与多个csv文件交互（["a.csv", "b.csv"]）
第三个参数verbose，用于在log中展示大模型在其中都做了哪些操作
还有未设置的第四个参数agent_type，可以设置为AgentType.ZERO_SHOT_REACT_DESCRIPTION 或 AgentType.OPENAI_FUNCTIONS，当然你也可以像我一样默认即可
执行的话也仅需一行代码，agent.run(user_input)，其中user_input是你输入的问句。
3. 运行效果
在看运行效果之前，我们看一下两类csv文件
3.1 FAQ类
FAQ类文件主要包含常见的问答对数据，在企业售前、售后等客服等场景中经常会碰到，此处我们选择一个网站的业务助手。
针对以上文件，我们看下提问的效果
可以看到理解问题并给出了正确答案，其中的原理就是大模型agent对任务的拆解，以及对拆解后的子任务的思考（Thought）、行动（Action）以及输入（Input）得到最终答案（Final Answer）。
大模型agent的推理过程如下：
3.2 数据记录类
这类数据通常来自于生产系统、关系型数据库，记录日常行为操作等信息，此处我们选择某省水利测站对时段降水量的记录数据。
针对以上文件，看下提问的回答效果。
可以看到效果还不错，但是实际很多问题回答的并不好，原因在于我们用的是通用大模型，并且没有做任何的优化，但是基于这个思路，可以给到我们很多启发，尤其是大模型如何对用户的问题，进行思考理解、推理拆解，并调用Pandas DataFrame agent和Python agent的过程。
以下是针对每个问题，大模型agent的推理过程。
有兴趣的可以放大图片查看，或者联系作者进一步交流沟通，后续针对agent会专门写一篇文章。
粤ICP备14082021号
免费POC，
零成本试错
