AI 运营助手将从 v1-v3 演进，项目 git 地址：ai-ops-assistant-lab
🧠 一、为什么需要v1？
在前两篇我们讲了：
- AI运营助手是什么（认知）
- 整体架构是什么（设计）
但有一个关键问题：
❗ 如果不能跑起来，那一切架构都是“纸上设计”
所以 v1 的目标非常明确：
👉先跑通一条最小链路：自然语言 → SQL → 数据 → 报告
💥 二、v1的核心目标（非常重要）
🎯 v1只做一件事：
用户问题 → SQL → mock数据 → 分析 → 输出报告❌ 不做：
- 不做语义层
- 不做多Agent协作
- 不做SQL优化
- 不接Doris（先mock）
✅ 只做：
👉 一个“能跑通闭环的AI分析系统”
🧩 三、v1整体架构
用户输入 ↓ Query Agent（理解问题） ↓ SQL Agent（生成SQL） ↓ Mock Data Service ↓ Analysis Agent（分析） ↓ Report Agent（输出Markdown）🧠 四、v1系统本质
💥 一句话总结：
👉 v1是一个“AI驱动的SQL查询 + 报告生成系统”
🧩 五、技术栈（v1）
🐍 Python
- camel-ai（Agent能力）
- 简单函数编排
📦 数据层
- mock data（字典/CSV）
🧠 LLM
- OpenAI / Claude / 本地模型（通过LangChain或API）
🧠 六、核心模块设计
🟢 1️⃣ Query Agent（问题理解）
🎯 输入：
最近7天用户流失情况如何？🎯 输出：
{"intent":"churn_analysis","time_range":"7d"}🟡 2️⃣ SQL Agent（核心）
🎯 输入：
{"intent":"churn_analysis"}🎯 输出：
SELECTCOUNT(DISTINCTuser_id)FROMuser_tableWHERElast_active>=NOW()-INTERVAL7DAY🔵 3️⃣ Mock Data Service
🎯 职责：
模拟 Doris / MySQL 查询
defquery(sql):return{"active_users":1234,"churn_users":321}🟣 4️⃣ Analysis Agent
🎯 输入：
{"active_users":1234,"churn_users":321}🎯 输出：
最近7天用户活跃数为1234，流失321人，流失率约20%。⚫ 5️⃣ Report Agent
🎯 输出：
Markdown报告
# 用户流失分析报告 ## 核心指标 - 活跃用户：1234 - 流失用户：321 ## 结论 流失率较高，建议优化用户留存策略。🧠 七、完整执行链路（必须理解）
User Input ↓ Query Agent ↓ SQL Agent ↓ Mock Data ↓ Analysis Agent ↓ Report Agent🧠 八、Prompt设计（v1核心）
🟢 Query Prompt
你是一个数据分析助手，请识别用户问题中的业务意图和时间范围。🟡 SQL Prompt
请根据用户意图生成SQL查询语句，只允许使用以下字段： - user_id - last_active - order_count🔵 Analysis Prompt
请根据数据结果生成业务分析结论，语言简洁清晰。🧠 九、main.py（v1核心入口）
💥 示例结构：
defrun():question="最近7天用户流失情况如何？"intent=query_agent(question)sql=sql_agent(intent)data=mock_query(sql)analysis=analysis_agent(data)report=report_agent(analysis)print(report)🧠 十、v1的意义（非常重要）
💥 v1解决的问题：
👉 验证AI运营助手的“最小闭环可行性”
💥 v1没有解决的问题：
- 没有语义层
- 没有真实数据
- 没有SQL优化
- 没有Agent协作
🧠 十一、v1的本质
💥 一句话总结：
👉 v1本质是一个“LLM驱动的轻量数据分析流水线”，用于验证自然语言到数据分析的可行性。
🧠 十二、v1 → v2 → v3的演进意义（埋伏笔）
🟢 v1：
👉 能跑通流程
🟡 v2：
👉 接入真实数据系统（Doris）
🔴 v3：
👉 引入语义层（核心升级）
🚀 下一篇预告
👉《Multi-Agent不是聊天：如何拆分Data / Strategy / Report Agent》
