概述

解释器支持灵活的自然语言交互。使用者可在多个位点变更需求、提供执行建议、审阅结果等。通过人类的引导，解释器可在各场景下达到更高的成功率和更好的效果。

示例：机器学习

任务

我们使用机器学习场景作为示例。在此，我们展示如何根据我们的自身需求，确认和修改解释器的计划，以及引导它重做指定任务

代码

examples/di/machine_learning.py

python examples/di/machine_learning.py --auto_run False

运行结果

在交互过程中，我们通过自然语言多次提出需求，例如：

• 制定计划时，我们要求它整合和变更任务：“merge 4 and 5, also, change task 2, save the plot”
• 执行过程中，我们要求它更新后续任务：“confirm, but change task 3 only, use 30% as validation set”
• 执行过程中，我们要求它重做当前任务：“redo, use decision tree as the model instead”

解释器均动态地调整并执行，完成了我们的需求

机制解释

使用人类交互模式，需在解释器初始化时设置 auto_run=False 。解释器将在每次提出计划和完成计划中的每个任务时，请求人类进行审阅。结合关键词，使用者可使用自然语言告知解释器，解释器提出的计划、写出的代码应如何修改。解释器支持计划的状态管理，在新增、修改、删除任务时，会保留未受影响任务的进度。请参考如下的使用示例

解释器生成的Plan示例

json

[
  {
    "task_id": "1",
    "dependent_task_ids": [],
    "instruction": "Load the sklearn Wine recognition dataset."
  },
  {
    "task_id": "2",
    "dependent_task_ids": ["1"],
    "instruction": "Perform exploratory data analysis and include a plot of the dataset features."
  },
  {
    "task_id": "3",
    "dependent_task_ids": ["1"],
    "instruction": "Split the dataset into training and validation sets with a 20% validation split."
  },
  {
    "task_id": "4",
    "dependent_task_ids": ["3"],
    "instruction": "Train a model on the training set to predict wine class."
  },
  {
    "task_id": "5",
    "dependent_task_ids": ["4"],
    "instruction": "Evaluate the model on the validation set and show the validation accuracy."
  }
]

人类可交互内容

解释器将根据人类意见文本，确定交互类型，优先级：确认并修改 > 确认 > 重做 > 修改

《DeepSeek高效数据分析：从数据清洗到行业案例》聚焦DeepSeek在数据分析领域的高效应用，是系统讲解其从数据处理到可视化全流程的实用指南。作者结合多年职场实战经验，不仅深入拆解DeepSeek数据分析的核心功能——涵盖数据采集、清洗、预处理、探索分析、建模（回归、聚类、时间序列等）及模型评估，更通过金融量化数据分析、电商平台数据分析等真实行业案例，搭配报告撰写技巧，提供独到见解与落地建议。助力职场人在激烈竞争中凭借先进技能突破瓶颈，实现职业进阶，开启发展新篇。