LLM充当数据分析Agent，如何实现？

LLM到底能不能取代数据分析师？这个问题最近被反复提起。但在回答之前，先得把“数据分析”这回事儿说清楚——它本质上就是帮产品团队从数据里挖出靠谱的决策依据。从描述性分析到预测性分析，再到规范性分析，每一步都有自己的价值。而要让LLM真正干起数据分析的活儿，得从最基础的描述性分析和自动化报告开始。

接下来，聊聊核心概念：LLM Agent和工具。想象一下，如果LLM能像真正的分析师那样，根据实际需求自己决定用哪个工具——比如查数据库、做计算、搜百科——那画面是不是很带感？这正是我们接下来要实现的：把LLM打造成一个能自主选择行动方案的智能体。

具体怎么做？一种思路是让LLM借助OpenAI的函数调用机制，来执行SQL查询、使用计算器或者调用搜索引擎。通过这种方式，LLM就能跟现实世界的数据和工具互动，能力一下子被拉高了一大截。

举个具体的例子。假设要教LLM学会计算两个指标之间的百分比差异。先定义一个工具函数，用@tool装饰器标记它，再把这个工具转成OpenAI能识别的函数描述。这样一来，LLM就知道怎么用它了。

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

借助LangChain，可以很方便地把这个工具转换成OpenAI API所需的函数参数格式：

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

再补充两个更实用的工具：一个是根据月份和城市查询活跃用户数，另一个是查维基百科。代码大致这样：

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)

工具准备就绪后，构建一个名为analyst_chain的处理流程。它负责接收用户的请求，调用合适的工具，然后返回结果。比如用户问“2023年4月上海的用户数量是多少？”，LLM就会自动调用get_monthly_active_users工具，给出准确数据。

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()

更有意思的是多步推理的场景。比如用户问：“2023年4月和5月，广东省会的用户数量变化了多少？”LLM需要先查维基百科，确认广东省会是深圳，然后分别调用两次get_monthly_active_users获取4月和5月的数据，最后再用percentage_difference计算变化百分比。这一连串操作展示了LLM怎么利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)])
})
...

通过这些尝试可以看到，LLM在处理复杂问题时，能比较合理地调用不同的工具，按照逻辑步骤逐步求解。当然，目前这个原型还很粗糙，离一个初级数据分析师的水平还有不少差距。但至少路径走通了，未来可以继续探索——比如让LLM直接访问数据库、处理更复杂的业务问题。这扇门一旦打开，后面的想象空间就大了。