文章目录

• • 一、什么是TableAgent
  • 二、TableAgent 的特点
  • 三、实践前言
  • 四、实践准备
  • • 4.1 打开官网
    • 4.2 注册账号
    • 4.3 界面介绍
    • 4.4 数据准备
  • 五、确认分析需求
  • 六、TableAgent体验
  • 七、分析结果解读
  • 八、总结&展望

一、什么是TableAgent

TableAgent是一款面向企业用户的智能数据分析工具，建立在公司自主研发的Alaya大模型基础之上，通过深度学习与增强学习，由九章云极DataCanvas公司自主研发。它的核心价值在于通过AI技术实现智能化和自动化的数据处理与分析流程，它可以像数据分析师一样理解并分析数据，并生成代码以实现分析过程的自动化。

只需要用户输入分析目标，TableAgent即可 自动筛选数据、转换数据格式、选择最优模型、生成代码、运行模型、输出分析报告。整个过程零编码，大大简化了数据分析工作。

二、TableAgent 的特点

• 会话式分析：会话式数据分析所需即所得
• 领域化微调：支持领域微调专业化
• 私有化部署：私有化部署数据安全
• 透明化过程：透明化过程审计监督
• 企业级分析：支持企业级数据分析大规模、高性能

三、实践前言

对于 TableAgent 也说了这么多了，但它是否真能兑现 自动化分析 的承诺，还有待考究，毕竟实践出真知！本篇文章将以公开的建设银行2016年1月-11月的股票交易数据集为例，全流程实践应用TableAgent进行自动化的分析。
希望通过这次浅尝，可以加深我们对TableAgent产品本身以及大模型驱动分析工具这一类技术形态的理解，并让它们成为我们的好帮手！

四、实践准备

4.1 打开官网

点击旁边链接跳转到官网: https://tableagent.datacanvas.com/

4.2 注册账号

九章云极的注册非常简单，只需要我们提供手机号即可完成注册

4.3 界面介绍

看界面好像是通过 gradio 写的，非常简洁明了

4.4 数据准备

数据是公开的，咱们本次实验的是护具是 建设银行2016年1月-2016年11月股票交易数据，我也将数据上传到公网了，大家想体验可以随时下载：https://image.aoppp.com/%E5%BB%BA%E8%AE%BE%E9%93%B6%E8%A1%8C2016%E5%B9%B41%E6%9C%88-2016%E5%B9%B411%E6%9C%88%E8%82%A1%E7%A5%A8%E4%BA%A4%E6%98%93%E6%95%B0%E6%8D%AE601939.csv

五、确认分析需求

我拿到这份数据的时候，我就已经有了不少需求了，体验前我就准备好了我的问题，哈哈，从不打没有准备的仗。

1. 这个表格数据是很明确，但是我怎么知道他的一个走势是什么样子呢，目前可视化不够友好
2. 对于其中的一些数据能不能以我想要的图形给展出出来
3. 最重要的来了，能不能根据我的这些数据做一下预测，看看未来一个月是涨还是跌呢

对于整个过程我不会对数据字段进行任何说明，也不会特意去引导，我想把他当成一个专业的数据分析师，看看是否能得到预期的结果，接下来开始实践吧！

六、TableAgent体验

• 上传数据

我们先把下载到的数据集上传给大模型，让它知道我们本次的要询问的相关内容

然后我们针对我们前面准备好的需求进行提问

• 我给你上传的文件内容是 建设银行股票从 2016/1/4 - 2016/11/15 的股票交易数据 ，请帮我输出折线图让我看一下整体的涨跌幅

当我们输入问题后，他会简要地进行数据整理，然后给我们绘制一个折线图，并推荐了一些其他方向问题给我查询

但是打我打开本次的详情后，我发现整个细节并没有我想象的那么简单，首先模型会先对本次要做的内容进行建模，然后给使用用户绘制出具体的执行流程图，并且还会把每次动作的结果对应的代码提供出来

就像我们这张绘制折线图的代码，是通过 python 的 matplotlib 进行绘制的，非常利于我们二次校验数据的真实性

• 请以日期为依据，给出每个月的股票交易总金额？并绘制出柱状图

让我们看一下其他图形是否能够正常绘制，这里我对建行股票的交易总金额进行了柱状图绘制，可以看到结果还是非常不错的，并且跟我们前面一样，每个结果都有对应的复现过程

• 你根据2016-11月的交易数据预测一下2016年12月的交易数据会如何，预测结果请以折线图输出

可以看到，当我输入问题的时候，TableAgent 就已经对我的问题进行了分解，得出预测的两个因素，一个是 收盘价，一个是成交量和成交金额，确实没有毛病，成交量和成交金额的大小其实影响还比较大，成交量和成交金额越大，即明天的信心越高

可以看到预测的价格也不是一路高歌，同时我们也回到过去看一下 2016 年 12月建设银行股票的情况到底如何，结果相似度还挺高的哈，看来以后是不是能 TableAgent 炒股了

• 结合日期和成交量，哪个时期的成交量排名前三？

这里我也测试了一下看看综合排序分析能力如何，效果还是非常精准

七、分析结果解读

通过使用TableAgent分析了建行股票交易数据，TableAgent的表现相当出色，我认为有如下几点:

1. TableAgent在没有明确要求下，主动给出多个视角解读数据，如绘制不同图表和预测结果，得出预期的同时也提升了问题思考的层面。
2. 每次操作TableAgent都给出详细的执行流程和代码实现，这不仅利于验证结果，也让我们有了学习TableAgent技术原理的机会。
3. 在处理复杂任务如排序和预测时，TableAgent都给出了符合常理的实现步骤，而不是简单回答，对用户需求的把握还是非常精准。
4. TableAgent给出的解释结果条理清晰，从不同视角分析，感觉真的在和专业的数据分析师沟通
5. 图表绘制效果非常不错，结果和历史数据吻合程度高，初探预测功能也很实用。

总体来说，我对TableAgent在面对复杂数据分析任务时的表现还是非常不错。它流程式思维能力和结果的可解释性非常惊艳，这次使用也给了我很好的启发。

可以预见，这种数据分析的智能化必将进一步释放数据价值，未来我们不需要会读各种研报、财报，只要你会使用 TableAgent，那必然是手拿把掐！

八、总结&展望

• 通过实践我的感受:

真不愧是可以让“人人都成为数据分析师”的好产品，通过这次使用TableAgent对建行股票数据进行智能分析的实践，我深刻体会到了大模型在金融数据分析领域的巨大应用潜力。TableAgent极大降低了进行数据提取、转换、建模、分析等工作的门槛， 使用者不需要学习各种分析公式以及编程技巧，轻松就可以获得深度的分析洞察结果。

这无疑会成为数据分析从业者的一把趁手的利器，我们也可以将更多时间和精力放在分析结果的解读与价值挖掘上，而不是数据处理与建模技术细节上。我觉得还有个比较重要的就是，TableAgent 的每一次动作都是有对应代码的，每次的 Action 都是有依据的，如果过程不透明，分析结果也就很难令人信服，并且生成的代码也展现了较强的健壮性和规范性，非常有利于结果的检测与协作。

• 我对TableAgent的展望分析:

整个体验完毕后，我也更加看好 TableAgent在数据分析领域的进一步应用前景。现在都在谈大模型小型化、垂直化，我认为 TableAgent 之后可以提供更多的领域扩展模型，例如基于海量金融数据训练的行业特定大模型，结合表格、图表、多模态的交互分析，可以大大推进金融投资研究的智能化。我相信TableAgent这种新型人工智能工具的出现，必将深刻影响和赋能各个产业的发展。

关于AI大模型技术储备

学好 AI大模型 不论是就业还是在工作技能提升上都不错，但要学会 AI大模型 还是要有一个学习规划。最后大家分享一份全套的 AI大模型 学习资料，给那些想学习 AI大模型 的小伙伴们一点帮助！

感兴趣的小伙伴，赠送全套AI大模型学习资料和安装工具，包含Agent行业报告、精品AI大模型学习书籍手册、视频教程、最新实战学习等录播视频，具体看下方。

需要的可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

这份完整版的学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】