Multiagent Data Analyst

多代理AutoML数据分析师（MCP+A2A+GGemini供电）

自动分析器→ EDA → AutoML→ 验证器→ 笔记本合成器→ 双子座洞察

🚀 实时演示（渲染部署）： https://multiagent-data-analyst.onrender.com/

Track：企业代理

技术：Python、Streamlit、Gemini、MCP工具、A2A总线、多代理架构

概述

Multi-Agent Data Analyst是一个完全自动化的端到端数据分析管道，由多个专业代理协同工作。 它上传数据集，分析数据集，构建机器学习模型，验证结果，生成笔记本，并生成最终见解，而无需任何手动编码。

该项目展示了：

✔ 多智能体系统

✔ A2A（代理人对代理人）

✔ 基于工具的代理执行（MCP工具）

✔ 会话和记忆

✔ 上下文感知笔记本合成

✔ 双子座驱动的解释

✔ 流线型多页应用程序

问题陈述

执行数据分析通常需要在工具之间切换、编写重复代码、手动运行模型、验证输出以及记录所有内容。

对于初学者来说，这是压倒性的。

对于分析师来说，这很耗时。

对于团队来说，这是不一致的。

目标：构建一个代理系统，自动化整个工作流程——从原始数据到经过验证的见解和笔记本生成。

为什么是代理人？

代理商使系统：

->模块化——每个代理做一项工作

->自主——用户无需触发每一步即可执行操作

->可追踪——每一步都是可观察的

->可组合——代理使用A2A总线进行通信

->可扩展——可以随时添加新代理（例如Gemini Reviewer）

智能不是一个巨大的笔记本电脑，而是分布式的：

代理角色

->Profiler Agent-检查数据集，发现问题

->EDA代理——生成图表、摘要、异常

->模型代理（AutoML）-自动构建ML管道

->验证器代理-检测不一致、模型错误、缺少列

->笔记本合成器代理-创建一个干净的笔记本，结合所有输出

->Gemini Agent——用人类友好的语言解释机器学习结果

每个代理将输出写入内存→ A2A编排→ 下一个特工做出反应。

建筑

1.️⃣ Profiler代理

✔ 读取数据集

✔ 检测列类型

✔ 查找缺失的值

✔ 发送消息→ EDA代理

二️⃣ EDA 代理

✔ 创建相关性、直方图、异常值分析

✔ 通过MCP文件工具保存所有绘图

✔ 发送消息→ ModelAgent

3️⃣ 模型代理

✔ 自动检测任务类型（分类/回归）

✔ 构建完整的机器学习管道（插补+缩放+编码）

✔ 调整模型

✔ 保存最佳模型

✔ 发送消息→ 验证器代理

4.️⃣ 验证器代理

✔ 验证模型质量

✔ 计算质量标签（“良好”、“可接受”、“弱”）

✔ 发送消息→ 笔记本代理

5.️⃣ 笔记本合成器代理

✔ 构建一个完全自动生成的Jupyter笔记本

✔ 嵌入所有结果和图像

✔ 通过文件工具保存笔记本

6.️⃣ Gemini集成

✔ Gemini生成：

✔ 模型说明

✔ 建议

✔ 摘要

面向初学者的简明英语解释

7.️⃣ 流线型UI

✔ 漂亮的仪表板，有：

✔ 数据集资源管理器

✔ EDA仪表板

✔ AutoML仪表板

✔ 验证器和笔记本生成器

✔ A2A通信控制台

安装说明

克隆回购

1. 克隆https://github.com/yourusername/multiagent-data-analyst

1. cd多代理数据分析师

1. pip安装-r要求.txt

1. 添加Gemini API密钥

1. 创建.env：

1. 运行Streamlit->运行Streamlit_app/app.py

演示（截图）

数据集上传

EDA仪表板

AutoML结果

Gemini说明

A2A控制台

笔记本生成

分析器代理输出-

验证器代理-

使用的工具和技术

🚀分类工具

🚀多代理定制代理，A2A总线

🚀LLM双子座1.5闪光灯

🚀UI流式显示

🚀ML Scikit学习

🚀存储自定义内存工具

🚀笔记本nbformat

🚀部署渲染

🚀可视化绘图，Matplotlib，Seaborn

🚀 LLM双子座1.5闪光灯

🗂 项目结构

多智能体数据分析师/

│

├── src/

│ ├── 代理商/

│ ├── core/

│ ├── 工具/

│ │ ├── file_tools.py

│ │ ├── dataset_tools.py

│ │ ├── memory_tools.py

│ │ ├── model_tools.py

│ │ └── notebook_tools.py

│

├── streamlit_app/

│ ├── app.py

│ └── 页数/

│ ├── AutoML.py

│ ├── Profiler.py

│ ├── EDA_Dashboard.py

│ ├── Notebook_Report.py

│ ├── 验证器.py

│ └── A2A_Dashboard.py

│

├── streamlit_app_存储/

│ ├── 存储器/

│ ├── 上传/

│ └── 报告/

│

└── README.md

未来改进

1. 添加基于RAG的“数据问答代理”

1. 使用Docker在Google Cloud Run上添加部署

1. 添加评估代理以实现模型公平性

1. 提供更多AutoML型号（XGBoost、LightGBM）

1. 添加基于语音的交互模式

鸣谢

由Vaishnavi Sharma建造，作为 谷歌x Kaggle——代理商密集型

如果你觉得这很有用，⭐ 明星回购！