第四章：大模型（LLM）

第八部分：Agent 教程

第十一节：构建历史与数据分析协作系统

1. 概述

历史与数据分析协作系统是一种智能 Agent 平台，能够：

• 历史知识查询：快速获取历史事件、人物、时间线等信息。

• 数据分析：对历史数据进行统计、趋势分析、可视化展示。

• 协作功能：多用户或多模块协作生成分析报告、图表和洞察。

通过 LangGraph 构建节点化 Agent，可以将复杂任务拆解成“历史查询 → 数据处理 → 分析 → 报告生成”等模块，实现自动化和可扩展性。

2. 系统设计思路

系统主要功能模块：

1. 用户问题解析：识别用户请求是历史知识查询还是数据分析。

2. 历史知识检索：从知识库、百科或文献数据库获取历史信息。

3. 数据收集与清洗：收集相关历史数据（如事件、人口、经济指标），并进行清洗。

4. 数据分析与可视化：统计趋势、生成图表。

5. 报告生成：将分析结果与历史背景整合成自然语言报告。

6. 协作与反馈：支持多用户输入和模型迭代优化分析。

LangGraph 可以将每个模块设计为节点，通过图结构实现信息流和逻辑流的控制。

3. LangGraph 架构设计

节点设计示例

数据流示意

用户输入
    │
    ▼
[用户输入解析节点] → 查询参数
    │
    ├──> [历史知识检索节点] → 历史信息
    │
    └──> [数据收集节点] → 数据表 → [数据清洗节点] → [数据分析节点] 
                                         │
                                         ▼
                                  [报告生成节点] → 输出报告

4. LangGraph + Python 示例代码

from langgraph import Graph, LLMNode
import pandas as pd

# 创建图
history_graph = Graph(name="Historical Data Analysis System")

# 1. 用户输入解析节点
parse_input_node = LLMNode(
    name="ParseUserInput",
    model="gpt-5-mini",
    prompt_template="""
    分析用户输入：
    {user_input}
    输出 JSON，包括：
    {{
        "query_type": "history/data_analysis",
        "topic": "...",
        "time_range": "YYYY-YYYY"
    }}
    """
)

# 2. 数据收集节点示例（CSV 数据）
def collect_historical_data(topic, time_range):
    # 模拟数据读取
    df = pd.read_csv(f"data/{topic}.csv")
    df_filtered = df[(df['year'] >= int(time_range.split('-')[0])) & 
                     (df['year'] <= int(time_range.split('-')[1]))]
    return df_filtered

# 3. 数据分析节点
def analyze_data(df):
    analysis_result = df.describe()  # 简单统计分析
    chart_path = "trend_chart.png"
    df.plot(x='year', y='value', kind='line').get_figure().savefig(chart_path)
    return analysis_result, chart_path

# 4. 报告生成节点
report_node = LLMNode(
    name="GenerateReport",
    model="gpt-5-mini",
    prompt_template="""
    根据历史信息 {history_info} 和数据分析结果 {analysis_summary}，生成详细报告。
    """
)

# 5. 执行示例
user_input = "分析1910-1920年中国主要城市人口变化趋势"
parsed_params = parse_input_node.run(inputs={"user_input": user_input})
df_data = collect_historical_data(parsed_params["ParseUserInput"]["topic"],
                                  parsed_params["ParseUserInput"]["time_range"])
analysis_summary, chart_file = analyze_data(df_data)
final_report = report_node.run(inputs={
    "history_info": "历史背景信息，可从知识库获取",
    "analysis_summary": str(analysis_summary)
})

print("生成报告：", final_report)
print("趋势图保存于：", chart_file)

5. 优化建议

1. 知识库扩展：接入百科、历史文献数据库、开放数据 API。

2. 多维分析：不仅分析人口变化，还可以分析经济、事件、政策等多维指标。

3. 多用户协作：支持多人提交问题，共享数据分析节点输出。

4. 可视化增强：图表类型可选（折线、柱状、热力图）并支持交互式展示。

5. 模型优化：在报告生成节点使用多轮推理，提高分析报告准确性和逻辑性。

6. 总结

• 使用 LangGraph 构建历史与数据分析协作系统，可以将复杂多步骤任务模块化，实现端到端自动化。

• 系统可以同时处理历史查询和数据分析请求，实现知识与数据的融合。

• 节点化设计支持多用户协作和可扩展性，易于增加新的分析维度和数据源。

• 最终输出为可视化报告和自然语言分析内容，提高历史研究和数据分析的效率。