从 0 到 1：用 ModelEngine 编排「多源数据周报智能体」——可视化工作流 + 自动知识库 + MCP 服务接入

目录

1. 背景：为什么又要“多源”又要“自动”
2. 整体架构：一张图看懂智能体链路
3. 准备工作：3 分钟注册 + 模板导入
4. Step1 知识库自动生成：URL 一键爬取 → 向量拆分 → 秒级完成
5. Step2 提示词自动生成：LLM 自举，让模型自己写 System Prompt
6. Step3 可视化编排：拖拉 6 个节点，完成“数据获取→总结→通知”闭环
   6.1 节点清单与参数截图
   6.2 关键分支条件写法（大于/小于/包含）
7. Step4 多智能体协作：
   7.1 数据清洗 Agent（Python 脚本节点）
   7.2 总结 Agent（大模型节点）
   7.3 通知 Agent（Webhook 节点）
8. Step5 MCP 服务接入：把公司内网 MySQL 注册成“工具”，天然安全
9. 调试技巧：日志追踪 + 断点回放
10. 效果评估
11. 与 Dify/Coze 对比：ModelEngine 的 3 个差异化优势
12. 踩坑与解决方案（Token 超限、节点循环、并发锁）
13. 后续规划：Plugin 市场 + 定时触发 + 多租户
14. 结论 & 一键复用链接

1. 背景：为什么又要“多源”又要“自动”

• 数据源多：MySQL、飞书表格、CSV 邮件附件、REST API
• 格式乱：日期字段有 6 种写法，列名随时变
• 需求急：老板每周一 9:30 要“可视化周报”，且需要“同比/环比”

传统做法：Python 脚本 + Airflow + 人工 copy 图表，改一次需求就要上线一次。
目标：让业务同学也能 30 分钟改模板，零发版。

2. 整体架构：一张图看懂智能体链路

3. 准备工作：3 分钟注册 + 模板导入

1. 打开 ModelEngine → 微信扫码 → 新建“应用编排”
2. 点击右上角「导入模板」→ 输入 weekly_report_demo → 一键克隆
3. 免费领取 10 万 Token（新人弹窗）→ 完成

4. Step1 知识库自动生成：URL 一键爬取 → 向量拆分 → 秒级完成

目的：让 LLM 知道“什么是好的周报”

操作路径：
知识库 Tab → 新建 → 自动抓取 → 粘贴 URL → 开始生成
结果：2 min 完成 63 段文本，平均得分 0.83（平台自动给出）

5. Step2 提示词自动生成：LLM 自举，让模型自己写 System Prompt

Prompt 模板（已内置）：

你是一名资深数据分析师，请根据以下材料，为“数据周报智能体”撰写一段 System Prompt，要求：
1. 强调对比思维（环比/同比）
2. 输出结构化 Markdown
3. 字数 150~200

LLM 输出（节选）：

你是一名 BI 专家，专注用数据讲故事。用户会提供上周与本周的指标，你需要：①计算环比；②若环比>5% 用🚀，<-5% 用⚠️；③输出三级 Markdown 标题；④禁止编造数据。

直接把这段内容填到「大模型节点-System Prompt」输入框即可，无需人工润色。

6. Step3 可视化编排：拖拉 6 个节点，完成闭环

6.1 节点清单与参数截图（文字描述）

6.2 关键分支条件写法

在「CleanData」节点后添加条件分支：

if payload['环比'] > 0.05:
    走高分支 → 添加🚀
else:
    走低分支 → 添加⚠️

平台支持直接写 Python 表达式，无需 YAML。

7. Step4 多智能体协作

7.1 数据清洗 Agent（Python 脚本节点）

def handle(payload):
    import pandas as pd
    df = pd.DataFrame(payload['order'])
    df['dt'] = pd.to_datetime(df['dt'])
    last_week = df[df['dt']>=pd.Timestamp.today()-pd.Timedelta(days=7)]['amount'].sum()
    prev_week = df[df['dt']<pd.Timestamp.today()-pd.Timedelta(days=7)]['amount'].sum()
    ratio = (last_week - prev_week) / prev_week
    return {'上周': round(prev_week, 2),
            '本周': round(last_week, 2),
            '环比': round(ratio, 4)}

平台已内置 pandas，无需 requirements.txt

7.2 总结 Agent（大模型节点）

• System Prompt：Step2 自动生成
• User Prompt：

上周={上周}，本周={本周}，环比={环比}  
请用 Markdown 三级标题，输出 80 字总结。

7.3 通知 Agent（Webhook 节点）

Body 模板：

{
  "msg_type": "post",
  "content": {
    "post": {
      "zh_cn": {
        "title": "🤖 本周数据快报",
        "content": [[{"tag": "text", "text": "{{summary}}"}]]
      }
    }
  }
}

平台支持 {{变量}} 自动替换，无需手写 JSON 转义

8. Step5 MCP 服务接入：把公司内网 MySQL 注册成“工具”

痛点：数据库在内网，公网 IP 不可访问
方案：MCP（ModelEngine Connector Proxy）1 分钟穿透

# 一键脚本（Linux & Windows）
curl -sSL https://modelengine.cn/mcp.sh | bash -s -- --token YOUR_TOKEN

脚本自动完成：

1. 生成 RSA 密钥对
2. 与平台保持长连接（wss）
3. 本地 3306 端口映射到「平台-数据源地址」

效果：在编排界面直接填写 127.0.0.1:3306，平台却走加密隧道，公网 0 暴露，安全合规

9. 调试技巧：日志追踪 + 断点回放

• 每节点右侧「运行日志」可展开 Input/Output/Error 三栏
• 点击「回放」可重新执行该节点，无需重跑完整流程
• 若 Token 超限，日志会给出 “本次消耗 12 347 tokens” 精确数字，方便预算

10. 效果评估

11. 与 Dify/Coze 对比：ModelEngine 的 3 个差异化优势

12. 踩坑与解决方案

13. 后续规划

1. 插件市场：把清洗脚本封装成「订单环比」插件，开源上架
2. 定时触发：支持 Cron 表达式秒级（已内测）
3. 多租户：部门 A/B 共享模板，数据权限隔离到行级

14. 结论 & 一键复用链接

• 0 代码拖拉即可上线可维护、可观测、安全合规的多源数据智能体
• 开发周期从「天」降到「小时」，业务同学也能改模板
• 复用链接：在 ModelEngine 模板市场搜索 weekly_report_demo → 一键导入 → 改数据库连接即可

如果你也做了有趣智能体，欢迎留言交换模板，一起把 AI 真正落到生产环境！

活动声明

本文原创公开首发于 CSDN，参加「ModelEngine·创作计划征文活动」。
如需转载，请在文首注明出处与作者：@yu779