到了可运行示例,最值得抓住的是任务怎样从一次查询转成下一次查询。教学版先用 SQLite 和明确的决策规则走通完整链路,再把决策组件替换为真实模型。
![图片[1]-小节四:实现一个真正可运行的最小 Data Analysis Agent——用 SQLite 模拟完整异常分析闭环-大赛人网](https://www.dsrw.com/wp-content/uploads/2026/11/image-1815.png)
注意观察每次 Query Result 怎样更新 Analysis State,以及 Completion Gate 什么时候允许输出报告。这个教学流程用于验证 Harness 结构,不代表仅凭规则已具备任意场景的分析能力。
这一部分,我们不用外部数据库。
直接使用 Python 标准库:
sqlite3
构造一份虚拟广告数据。
这样代码可以直接运行。
数据结构
表:
ad_metrics
字段:
date
media
position
request
impression
click
income
eCPM 通过:
income / impression * 1000
计算。
完整可运行示例
下面代码会:
创建数据库
写入两天虚拟数据
查询整体
识别 eCPM 异常
下钻媒体
下钻广告位
生成结论
这段代码其实已经体现:
Observation
→ 决定下一步查询。
只是这里决策是规则写死。
真实 Data Agent 中:
if ecpm_change...
这一层可以交给:
LLM Decision。
Harness 结构不变。
为什么教学先用规则?
因为我们要先证明:
Data Agent 的本质是循环和状态
而不是某一家模型 API。
等 Provider 接上以后。
只需要把:
Decision Maker
换成 LLM。
© 版权声明
文章版权归作者所有,未经允许请勿转载。
THE END
















请登录后查看评论内容