Data-Analysis-Agent 開源 AI 資料分析助手：用自然語言查資料庫，把 SQL 交給模型

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

Data-Analysis-Agent（專案自稱「智析 Agent」）是一個用 Python 寫的開源 AI 資料分析助手。連好資料來源之後，你用中文問它問題，它會自己生成 SQL、執行查詢、挑圖表類型、再吐出一段業務洞察。對於會看報表但不會寫 SQL 的人，它把「想問資料庫一句話」這件事，從找工程師幫忙拉到你可以自己操作的程度。

不過它不是資料庫管理工具，也不等於成熟的 BI 平台。它真正適合的，是已經有資料庫或 Excel 資料、想要快速做臨時分析、又不想為了三行查詢去學 SQL 的中小團隊。如果你要的是連線管理多種資料庫、改 table schema、匯入匯出，那其實是另一類工具的任務，TablePro 那種原生 Mac 資料庫客戶端更對口，兩者服務的是不同的搜尋意圖。

Pin

它實際在做什麼：把自然語言問題翻成 SQL 再執行

Data-Analysis-Agent 的核心體驗是你看得到每一步。每問一句話，畫面上會依序浮現「正在讀取資料結構」「正在生成 SQL」「正在執行查詢」「正在生成圖表與洞察」這幾個進度訊息，整個過程走 SSE（Server-Sent Events）串流，所以你不是把問題丟出去之後盯著一個轉圈圈等答案，而是能看到模型把 schema 先讀進來、再組出 SQL、再跑查詢、再決定畫哪種圖。換句話說，黑箱被打開了一半，至少流程透明。

要讓這條流程跑起來，你需要先準備好兩樣東西：資料來源，以及一個相容 OpenAI SDK 的 LLM API Key。資料來源可以是上傳的 Excel 或 CSV 檔，也可以是直接連 SQLite、MySQL、PostgreSQL、SQL Server。LLM 那邊，根據 GitHub README 列出官方搭配的三個 provider（DeepSeek 預設 deepseek-v4-flash、OpenAI 預設 gpt-4o-mini、AtlasCloud 預設 deepseek-v4-pro），並開放自訂 base_url、api_key、model 三個欄位，所以任何相容 OpenAI 格式的服務都能接，包含自架的 AI API 匝道。

Pin

圖表系統是它最認真做的一塊

很多 Text-to-SQL 工具能幫你生 SQL，但視覺化這一步常常很隨便，預設就給你一張柱狀圖。Data-Analysis-Agent 在這個環節花的力氣明顯比較多。最讓人意外的是它內建了桑基圖（Sankey）、和絃圖（Chord diagram，用來看節點之間的流量關係）、旭日圖（Sunburst，把層級資料畫成同心圓）、克利夫蘭點圖（Cleveland dot plot，比柱狀圖更適合做細微差距的比較）、脊線圖（Ridgeline，把多個密度曲線疊起來看分佈）這種一般在 BI 工具裡要外掛或寫 code 才畫得出來的統計圖，全部加起來覆蓋 43 種類型、分散在六種分析情境。系統會根據這次查詢結果的特性，自己挑它判斷最合適的那一種，你不用每次都手動改圖表類型。

Pin

除了自動選圖，它還內建一套斜線指令（slash commands），讓你在自然語言之外更明確地控制輸出。例如 /chart 強制優先出圖、/sql 直接執行你寫好的 SQL、/analyze 做深度統計分析、/kmeans 跑 K-Means 分群、/tree 跑決策樹、/report 匯出 Word 或 PDF 報告、/ppt 匯出簡報檔、/export 匯出整理過的 Excel。把「AI 幫你問資料」和「正規統計分析」整合進同一個介面，是它比單純的 NL2SQL 玩具更往前走一步的地方。

統計分析功能：不只是查詢，還能做正規分析

根據 README 的功能列表，很多人以為 Data-Analysis-Agent 只是「翻譯自然語言成 SQL」，但它其實跨到正規統計分析這一側。除了基本的查詢出圖，它還內建幾種常見的分析手段：異常值處理（截尾 trimming 把極端值剔掉、縮尾 winsorize 把極端值壓回百分位邊界）、十分位分組分析、K-Means 分群、決策樹建模，對應到斜線指令就是 /winsorize、/trimming、/kmeans、/tree 這幾個。等於是它假設你不只想要看趨勢圖，還想把客戶分群、找異常訂單、或對某個目標欄位建一個可解釋的分類模型。

要提醒的是，這些統計功能放在一個 AI 對話介面裡，便利性是真的，但嚴謹度比不上專門的統計軟體。K-Means 的分群數你要自己給，決策樹的深度與分裂準則也依賴模型預設，沒有 R 或 Python statsmodels 那種完整的診斷報告。它比較像「先給你一個初步結果，再決定要不要進正規分析」的快速探勘工具，不是用來交付正式論文或合規報告的主力。

資料會送出哪些欄位，這點要先看清楚

開源、跑在你本地、Apache-2.0 授權，這些都沒問題，但不等於「資料完全不出機器」。要把自然語言翻成 SQL，模型必須先看懂你的資料表結構，所以至少 schema（欄位名稱、資料型態、關聯）會被送到你設定的 LLM API。再加上生成 SQL 與整理洞察時的上下文，實際送出去的內容會視你的問句與設定而變。原始資料的整份內容理論上不一定要上傳，但要不要把查詢結果摘要一起送，取決於你怎麼配置，這部分需要看實際的執行日誌才能劃清邊界。

這是這類 NL→SQL 工具共通的結構性問題，不是 Data-Analysis-Agent 獨有，但對你把它用在什麼場景，影響很大。按照資料敏感程度，大致可以分成三種對應：

如果你完全不能接受任何資料離開機器，那雲端 API 不是你的選項，要嘛接本地 Ollama 之類的模型（README 沒有官方認證的本地路徑，但 OpenAI 相容介面理論上可接），要嘛這類工具就不適合你。也要提醒，README 在 FAQ 對資料流向的明確邊界，沒有給到逐欄位的保證，較敏感的場景請以實際網路日誌為準。

和 TablePro、Vanna、成熟 BI 的差異在哪

「AI 加資料庫」這個主題在 TechMoon 已經有一篇 TablePro，但兩者鎖定的問題不同。TablePro 是原生 macOS 與 iPhone 的資料庫客戶端，AI 是它的輔助手；它的主軸是連線管理、改資料、看 schema、跑 SQL，是給會管理資料庫的人用的。Data-Analysis-Agent 完全不在這個維度上競爭，它假設你根本不想碰 SQL，要的是「我問一句、它給我圖和結論」。

跟同樣做 Text-to-SQL 的開源專案比，定位也不一樣。Vanna.ai 是一套偏向 Python library 的 Text-to-SQL 框架，重點在訓練與檢索增強（RAG over schema），你要會寫程式把它接進自己的應用。Data-Analysis-Agent 是一個開箱即用的 web 應用（Flask 後端、Plotly 視覺化、啟動後瀏覽器打開 localhost:5001），目標使用者是不寫程式的營運或站長。再把視野拉開一點，開源 AI Agent 的形態還更廣，例如 CyberVerse 這類數位人 Agent 處理的是即時角色互動，跟 Text-to-SQL 完全不同領域，卻同樣把「開源加外部模型」的取捨攤給你看。跟 Metabase、Superset、Preset 這種成熟 BI 平台比起來，差距更具體：你在 Metabase 裡做完一張儀表板，那個 URL 是穩定的、可以貼到 Slack 給整組人輪流看；Data-Analysis-Agent 今天問完、關掉瀏覽器、重啟服務之後，之前那個對話連結就失效了，這就是它還不到 BI 平台級別的最直接證據。另外，根據 v1.1.0 的 changelog，它還支援 MCP（Model Context Protocol），可以掛本地或遠端的 MCP server 擴充技能，也內建檔案時光回退（file history）讓你撤回上一次的工作目錄變動，這兩項是它在往「個人 AI 工作站」靠攏的訊號，而不只是一個查詢介面。

怎麼裝起來跑

環境要求只有 Python 3.10 以上。README 提供四種裝法，難度從低到高：

1. Windows 用戶直接抓 Releases 的 .exe 安裝包，雙擊下一步。

2. 跨平台抓 zip 解壓，雙擊 start.bat（Windows）或 start.command（macOS）。

3. 用一鍵腳本：Windows PowerShell 跑 install.ps1，macOS/Linux 跑 install.sh。

4. 自己 git clone 再 pip install -r requirements.txt。

macOS 第一次跑 start.command 很可能被 Gatekeeper 擋，要在終端機跑 xattr -d com.apple.quarantine start.command 解除隔離屬性，這是 Mac 對未簽章腳本的標準處置，不是這個專案特有的問題。首次啟動會自己建虛擬環境並裝依賴，大約三到五分鐘，之後再開就快了。裝完瀏覽器會自動打開 http://localhost:5001，在那個介面填 API Key 就能開始用。

作者還另外維護一個叫「智管 Agent Manager」的桌面管理工具，可以把這個專案連同其他本地 Agent 一起集中管理，提供一鍵啟停、看日誌與端口、開臨時公網分享連結這類功能。對只跑單一專案的人是過度配置，但如果你同時跑好幾個本地 LLM 工具，把管理層獨立出來會省事很多。如果你打算把它裝在 Mac mini 或 NAS 上當長期內部查詢入口，要自己處理開機自動啟動與反代設定，README 沒有提供這塊的現成方案。

目前還做不到的事

把它當日常核心工具之前，有幾個客觀限制先放進預期。模型生成的 SQL 在面對命名混亂的老舊資料庫、或複雜的多表巢狀結構時，還是會出錯，最後用於決策的數字仍要人工核對底層查詢邏輯。狀態保存偏弱：你今天跑出一張漂亮的 K-Means 分群圖，關掉瀏覽器明天回來，那個對話連結很可能打不開了，圖表檔本身還在本地 outputs/charts 目錄，但對話脈絡不延續。大規模資料的支援也還沒到位，DuckDB 和 Spark 目前在官方開發計劃上但未實作，所以它適合中小規模資料集，dashboards 共享、細粒度權限這些 BI 平台基本功能也都還沒有。

Data-Analysis-Agent 適合誰，不適合誰

適合的人很明確：已經有資料庫或 Excel 資料、想要快速做臨時分析、不想為了偶爾的查詢去學 SQL 的營運、站長、小團隊。也適合想驗證「自然語言查資料庫」這個工作流在自己業務場景裡到底行不行的早期採用者。

至於不適合的場景，方向剛好相反：如果你的需求是長期管理多個資料庫的連線與結構，去看 TablePro 那條路；如果你要的是給整個公司用的共享看板與權限管理，請裝 Metabase 或 Superset；如果你完全不能接受 schema 送外部 API，那這類需要 LLM 才能運作的工具都不是好選擇，改用傳統 SQL 工具更安全。

三個可以馬上做的下一步

抓最新版的 v1.1.0 LTS 安裝包或 clone 主分支，跑起來連一個你手邊最不敏感的測試資料庫（例如公開資料集匯入的 SQLite），先用「最近一個月有多少筆訂單」這種簡單問句驗證流程。接著故意問一個會觸發多表 join 的複雜問題，看模型生成的 SQL 對不對、能不能自己除錯。最後開瀏覽器開發者工具的 Network 面板，觀察實際送出去的請求內容範圍，這一步會讓你具體看到哪些欄位離開了機器，比任何官方說明都準。

常見問題

Data-Analysis-Agent 是開源專案嗎？

是。GitHub 倉庫 Zafer-Liu/Data-Analysis-Agent 採 Apache-2.0 授權，截至 2026 年 7 月初累積兩千多顆星（2000+ stars），作者是單人維護者 Zafer-Liu，目前版本 v1.1.0 LTS，最近一次更新在 2026 年 7 月 2 日，仍在活躍開發。

它會把我整份資料上傳到外部嗎？

不一定要上傳整份原始資料，但資料表結構與生成 SQL 所需的上下文一定會送給你設的 LLM API。雲端 API 等於是把 schema 送出機器，本地 LLM 才能真正做到資料不出裝置。較敏感的欄位建議先脫敏。

支援哪些資料庫？

SQLite、MySQL、PostgreSQL、SQL Server，加上 Excel 與 CSV 上傳。DuckDB 與 Spark 在官方路線圖上但尚未支援。

跟 TablePro 差在哪裡？

TablePro 是資料庫客戶端，主軸是連線、管理、改資料，AI 是輔助；Data-Analysis-Agent 是 AI 分析助手，假設你不寫 SQL，要的是問一句話得到圖和結論。兩者服務不同需求，可以並存。

能在 Mac 上用嗎？

能。macOS 跑 zip 解壓的 start.command 或一鍵 install.sh 都行，第一次開被 Gatekeeper 擋時用 xattr -d com.apple.quarantine 解隔離即可。