Data-Analysis-Agent：用自然语言查数据库的开源 AI 数据分析工具

Data-Analysis-Agent 是一个能让你用大白话查数据的开源 AI 数据分析工具。

很多运营、站长和中小团队平时想查个稍微复杂点的数据，其实挺折腾的。要么找技术同事帮忙写 SQL，要么把数据导出来，在 Excel 里反复做透视表和筛选。现在的在线 AI 工具虽然也能分析表格，但一旦涉及真实的业务数据库、核心财务流水或客户数据，直接上传到第三方 SaaS 平台总归没那么放心。

Data-Analysis-Agent 想解决的，是查数前那道 SQL 门槛

目前的在线 AI 助手通常只能处理单次上传的静态表格文件。而 Data-Analysis-Agent 的核心差异在于，它可以直接连接 SQLite、MySQL、PostgreSQL 以及 SQL Server 等数据库。这意味着它可以作为一个动态读取数据的长效分析入口。

系统收到你的问题（比如：“最近三个月销售额趋势如何？”）后，会依次完成：理解意图 → 读取数据结构（Schema）→ 自动生成 SQL → 执行查询 → 推荐图表类型 → 输出业务洞察。整个过程通过 SSE 流式输出实时可见，不是黑盒等待，而是逐步展示逻辑。

它能做什么：自然语言查库、出图和生成分析初稿

图表系统是这个项目的一个明显亮点。系统将图表按场景分类，覆盖对比类、时间趋势类、分布类、地理类等六大类，共 43 种图表。根据查询结果，系统会自动推荐最合适的类型，而不是每次都死板地默认柱状图。

它还支持一些实用的斜杠命令。比如输入 /chart 强制优先出图，或者用 /report 直接导出本次分析的 Word/PDF 报告。对于需要快速提交报表初稿的场景，这几个命令的实用价值比较直接。

支持 DeepSeek、OpenAI、Claude，但数据流向要看清楚

它支持自定义 base_url 和 api_key，这意味着你可以接入任何兼容 OpenAI SDK 接口的服务。如果主要考虑调用成本，DeepSeek Chat 通常更适合作为高频查询的入门配置；如果更看重复杂数据库逻辑的理解能力，可以再对比 GPT-4o 或 Claude 系列。

和 Metabase、Superset 相比，它更像轻量 AI 查询助手

很多人会把它和传统的 BI 工具比较。先说清楚定位差异：Metabase 和 Superset 是成熟的 BI 平台，适合团队协作、看板共享和细粒度权限管理，但搭建成本和学习曲线摆在那里。

Data-Analysis-Agent 目前更像是一个个人或小团队用的轻量级查询辅助工具，目前还没有可共享的固定看板体系（该功能还在后续规划中）。如果你的需求只是临时查数、生成图表，而不是搭建完整的数据中台，它更适合作为一个轻量级的查数入口。

Data-Analysis-Agent 本地跑起来不难，但仍然需要一点技术基础

Data-Analysis-Agent是个开源项目，对于有 Python 基础的用户，上手难度不算高，可以通过 pip 或直接 clone 仓库运行。

现阶段限制：别把它当成成熟 BI 平台

Data-Analysis-Agent这个工具虽然看着省事，但如果准备把它作为日常核心工具，有几个客观的限制需要提前有个底：

• 准确率依赖模型与表结构：面对命名极不规范的老旧数据库或复杂的嵌套表，AI 生成的 SQL 还是有几率出现幻觉。最终用于核心决策的数据，依然需要人工复核底层查询逻辑。
• 状态保存较弱：目前每次分析更像是一次独立会话，生成的图表存在本地目录中，服务重启后之前对话里的链接可能会失效。
• 大规模数据支持还在规划中：目前更适合中小规模数据集，对 DuckDB 和 Spark 的支持还在官方的开发路线图中。

了解更多适合中小团队使用的私有化 AI 办公方案

所以说，Data-Analysis-Agent 不一定适合所有团队直接上生产环境，但它适合拿来验证“自然语言查数据库”这类工作流，看看它在你的数据结构和业务问题里到底能不能省事。

Data-Analysis-Agent 项目地址