OA0

OA0 是一个探索 AI 的社区

现在注册

已注册用户请登录

BambooAI

https://bambooai.org

BambooAI 是一个开源库，它利用大语言模型 (LLMs) 实现基于自然语言的数据分析。它既可用于本地数据集，也能从外部数据源和 API 获取数据。

概述
功能特性
演示视频
安装
快速开始
工作原理
配置
参数
智能体与模型配置
辅助数据集
数据框本体（语义记忆）
向量数据库（情景记忆）
使用示例
Web 应用设置
使用 Docker（推荐）
使用 pip 包
使用完整仓库
模型支持
环境变量
日志
性能对比
贡献

概述

BambooAI 是一个实验性工具，它通过允许用户使用自然语言对话与数据交互，使数据分析变得更加容易。它旨在：

处理关于数据集的自然语言查询
生成并执行用于分析和可视化的 Python 代码
帮助用户无需大量编码知识即可获得洞察
增强各级数据分析师的能力
简化数据分析工作流程

功能特性

用于数据分析的自然语言界面
支持 Web UI 和 Jupyter notebook
支持本地和外部数据集
与互联网搜索和外部 API 集成
流式处理过程中的用户反馈
用于复杂任务的可选规划智能体
自定义本体的集成
用于数据分析和可视化的代码生成
自我修复/错误纠正
自定义代码编辑和代码执行
通过向量数据库集成知识库
工作流程保存和后续跟进
上下文内和多模态查询

演示视频

机器学习示例 (Jupyter Notebook)

创建一个机器学习模型来预测泰坦尼克号乘客生存率的演示：

https://github.com/user-attachments/assets/59ef810c-80d8-4ef1-8edf-82ba64178b85

体育数据分析 (Web UI)

各种体育数据分析查询的示例：

https://github.com/user-attachments/assets/7b9c9cd6-56e3-46ee-a6c6-c32324a0c5ef

安装

pip install bambooai

或者克隆仓库并安装依赖：

git clone https://github.com/pgalko/BambooAI.git
pip install -r requirements.txt

快速开始

在 Google Colab 上尝试一个基础示例：

基础示例

安装 BambooAI：
bash pip install bambooai
配置环境：
bash cp .env.example .env # 使用你的设置编辑 .env 文件
配置智能体/模型：
bash cp LLM_CONFIG_sample.json LLM_CONFIG.json # 使用你期望的智能体、模型和参数组合编辑 LLM_CONFIG.json
运行：
```python
import pandas as pd
from bambooai import BambooAI

import plotly.io as pio
pio.renderers.default = 'jupyterlab'

df = pd.read_csv('titanic.csv')
bamboo = BambooAI(df=df, planning=True, vector_db=False, search_tool=True)
bamboo.pd_agent_converse()
```

工作原理

BambooAI 通过六个关键步骤运行：

初始化
- 以用户问题或提示启动
- 在对话循环中持续进行直到退出
任务路由
- 使用 LLM 对问题进行分类
- 路由到适当的处理程序（文本响应或代码生成）
用户反馈
- 如果指令模糊或不清晰，模型将暂停并向用户寻求反馈
- 如果模型在解决过程中遇到任何歧义，它将暂停并提供几个选项以寻求方向
动态提示构建
- 评估数据需求
- 如果需要更多上下文，则请求反馈或使用工具
- 制定分析计划
- 执行语义搜索以查找类似问题
- 使用选定的 LLM 生成代码
调试与执行
- 执行生成的代码
- 使用基于 LLM 的纠正处理错误
- 重试直到成功或达到限制
结果与知识库
- 对答案质量进行排序
- 将高质量解决方案存储在向量数据库中
- 呈现格式化的结果或可视化图表

流程图

配置

参数

BambooAI 接受以下初始化参数：

bamboo = BambooAI(
    df=None,                    # 要分析的 DataFrame
    auxiliary_datasets=None,    # 辅助数据集路径列表
    max_conversations=4,        # 内存中保留的对话对数量
    search_tool=False,          # 启用互联网搜索功能
    planning=False,             # 启用用于复杂任务的规划智能体
    webui=False,                # 以 Web 应用模式运行
    vector_db=False,            # 启用用于知识存储的向量数据库
    df_ontology=False,          # 使用自定义数据框本体
    exploratory=True,           # 启用专家选择以处理查询
    custom_prompt_file=None     # 启用自定义/修改的提示模板
)

详细参数说明：

df (pd.DataFrame, 可选)
用于分析的输入数据框
如果未提供，BambooAI 将尝试从互联网或辅助数据源获取数据
auxiliary_datasets (列表, 默认=None)
辅助数据集路径列表
这些数据集将根据需要被纳入解决方案中，并在代码执行时加载
用于补充主数据框
max_conversations (整数, 默认=4)
在上下文中保留的用户-助手对话对数量
影响上下文窗口和令牌使用量
search_tool (布尔值, 默认=False)
启用互联网搜索功能
启用时需要相应的 API 密钥
planning (布尔值, 默认=False)
启用用于复杂任务的规划智能体
将任务分解为可管理的步骤
提高复杂查询的解决方案质量
webui (布尔值, 默认=False)
以 Web 应用程序模式运行 BambooAI
使用 Flask API 提供 Web 界面
vector_db (布尔值, 默认=False)
启用用于知识存储和语义搜索的向量数据库
存储高质量解决方案以供将来参考
需要 Pinecone API 密钥
支持两种嵌入模型 text-embedding-3-small(OpenAI) 和 all-MiniLM-L6-v2(HF)
df_ontology (字符串, 默认=None)
使用自定义数据框本体以改进理解
需要 OWL 本体作为 .ttl 文件。参数接受 TTL 文件的路径。
显著提高解决方案质量
exploratory (布尔值, 默认=True)
启用专家选择以处理查询
在研究专家和数据分析师角色之间进行选择
custom_prompt_file (字符串, 默认=None)
允许用户提供自定义提示模板
需要包含模板的 YAML 文件的路径

智能体与模型配置

BambooAI 使用多智能体系统，其中不同的专业智能体处理数据分析过程的特定方面。每个智能体可以根据其特定需求配置为使用不同的 LLM 模型和参数。

配置结构

LLM 配置存储在 LLM_CONFIG.json 中。以下是完整的配置结构：

{
  "agent_configs": [
    {"agent": "Expert Selector", "details": {"model": "gpt-4.1", "provider":"openai","max_tokens": 2000, "temperature": 0}},
    {"agent": "Analyst Selector", "details": {"model": "claude-3-7-sonnet-20250219", "provider":"anthropic","max_tokens": 2000, "temperature": 0}},
    {"agent": "Theorist", "details": {"model": "gemini-2.5-pro-preview-03-25", "provider":"gemini","max_tokens": 4000, "temperature": 0}},
    {"agent": "Dataframe Inspector", "details": {"model": "gemini-2.0-flash", "provider":"gemini","max_tokens": 8000, "temperature": 0}},
    {"agent": "Planner", "details": {"model": "gemini-2.5-pro-preview-03-25", "provider":"gemini","max_tokens": 8000, "temperature": 0}},
    {"agent": "Code Generator", "details": {"model": "claude-3-5-sonnet-20241022", "provider":"anthropic","max_tokens": 8000, "temperature": 0}},
    {"agent": "Error Corrector", "details": {"model": "claude-3-5-sonnet-20241022", "provider":"anthropic","max_tokens": 8000, "temperature": 0}},
    {"agent": "Reviewer", "details": {"model": "gemini-2.5-pro-preview-03-25", "provider":"gemini","max_tokens": 8000, "temperature": 0}},
    {"agent": "Solution Summarizer", "details": {"model": "gemini-2.5-flash-preview-04-17", "provider":"gemini","max_tokens": 4000, "temperature": 0}},
    {"agent": "Google Search Executor", "details": {"model": "gemini-2.5-flash-preview-04-17", "provider":"gemini","max_tokens": 4000, "temperature": 0}},
    {"agent": "Google Search Summarizer", "details": {"model": "gemini-2.5-flash-preview-04-17", "provider":"gemini","max_tokens": 4000, "temperature": 0}}
  ],
  "model_properties": {
    "gpt-4o": {"capability":"base","multimodal":"true", "templ_formating":"text", "prompt_tokens": 0.0025, "completion_tokens": 0.010},
    "gpt-4.1": {"capability":"base","multimodal":"true", "templ_formating":"text", "prompt_tokens": 0.002, "completion_tokens": 0.008},
    "gpt-4o-mini": {"capability":"base", "multimodal":"true","templ_formating":"text", "prompt_tokens": 0.00015, "completion_tokens": 0.0006},
    "gpt-4.1-mini": {"capability":"base", "multimodal":"true","templ_formating":"text", "prompt_tokens": 0.0004, "completion_tokens": 0.0016},
    "o1-mini": {"capability":"reasoning", "multimodal":"false","templ_formating":"text", "prompt_tokens": 0.003, "completion_tokens": 0.012},
    "o3-mini": {"capability":"reasoning", "multimodal":"false","templ_formating":"text", "prompt_tokens": 0.0011, "completion_tokens": 0.0044},
    "o1": {"capability":"reasoning", "multimodal":"false","templ_formating":"text", "prompt_tokens": 0.015, "completion_tokens": 0.06},
    "gemini-2.0-flash": {"capability":"base", "multimodal":"true","templ_formating":"text", "prompt_tokens": 0.0001, "completion_tokens": 0.0004},
    "gemini-2.5-flash-preview-04-17": {"capability":"reasoning", "multimodal":"true","templ_formating":"text", "prompt_tokens": 0.00015, "completion_tokens": 0.0035},
    "gemini-2.0-flash-thinking-exp-01-21": {"capability":"reasoning", "multimodal":"false","templ_formating":"text", "prompt_tokens": 0.0, "completion_tokens": 0.0},
    "gemini-2.5-pro-exp-03-25": {"capability":"reasoning", "multimodal":"true","templ_formating":"text", "prompt_tokens": 0.0, "completion_tokens": 0.0},
    "gemini-2.5-pro-preview-03-25": {"capability":"reasoning", "multimodal":"true","templ_formating":"text", "prompt_tokens": 0.00125, "completion_tokens": 0.01},
    "claude-3-5-haiku-20241022": {"capability":"base", "multimodal":"true","templ_formating":"xml", "prompt_tokens": 0.0008, "completion_tokens": 0.004},
    "claude-3-5-sonnet-20241022": {"capability":"base", "multimodal":"true","templ_formating":"xml", "prompt_tokens": 0.003, "completion_tokens": 0.015},
    "claude-3-7-sonnet-20250219": {"capability":"base", "multimodal":"true","templ_formating":"xml", "prompt_tokens": 0.003, "completion_tokens": 0.015},
    "open-mixtral-8x7b": {"capability":"base", "multimodal":"false","templ_formating":"text", "prompt_tokens": 0.0007, "completion_tokens": 0.0007},
    "mistral-small-latest": {"capability":"base", "multimodal":"false","templ_formating":"text", "prompt_tokens": 0.001, "completion_tokens": 0.003},
    "codestral-latest": {"capability":"base", "multimodal":"false","templ_formating":"text", "prompt_tokens": 0.001, "completion_tokens": 0.003},
    "open-mixtral-8x22b": {"capability":"base", "multimodal":"false","templ_formating":"text", "prompt_tokens": 0.002, "completion_tokens": 0.006},
    "mistral-large-2407": {"capability":"base", "multimodal":"false","templ_formating":"text", "prompt_tokens": 0.003, "completion_tokens": 0.009},
    "deepseek-chat": {"capability":"base", "multimodal":"false","templ_formating":"text", "prompt_tokens": 0.00014, "completion_tokens": 0.00028},
    "deepseek-reasoner": {"capability":"reasoning", "multimodal":"false","templ_formating":"text", "prompt_tokens": 0.00055, "completion_tokens": 0.00219},
    "/mnt/c/Users/pgalk/vllm/models/DeepSeek-R1-Distill-Qwen-14B": {"capability":"reasoning", "multimodal":"false","templ_formating":"text", "prompt_tokens": 0.00, "completion_tokens": 0.00},
    "deepseek-r1-distill-llama-70b": {"capability":"reasoning", "multimodal":"false","templ_formating":"text", "prompt_tokens": 0.00, "completion_tokens": 0.00},
    "deepseek-r1:32b": {"capability":"reasoning", "multimodal":"false","templ_formating":"text", "prompt_tokens": 0.00, "completion_tokens": 0.00},
    "deepseek-ai/deepseek-r1": {"capability":"reasoning", "multimodal":"false","templ_formating":"text", "prompt_tokens": 0.00, "completion_tokens": 0.00}
  }
}

LLM_CONFIG.json 配置文件需要位于 BambooAI 的工作目录中，例如 /Users/palogalko/AI_Experiments/Bamboo_AI/web_app/LLM_CONFIG.json，并且指定模型的所有 API 密钥也需要存在于工作目录中的 .env 文件中。
根据我们截至 2025 年 4 月 22 日使用体育和性能数据集的测试，上述智能体/模型组合是性能最佳的。强烈建议你尝试这些设置，以找到最适合你特定用例的组合。

智能体角色

专家选择器：确定处理查询的最佳专家类型
分析师选择器：选择具体的分析方法
理论家：提供理论背景和方法论
数据框检查器：分析并理解数据结构。（需要本体文件）
**

项目地址：https://github.com/pgalko/BambooAI

5 次点击 ∙ 0 人收藏

登录后收藏

0 条回复

BambooAI 面向非开发者的数据分析与探索AI助手