Data Analysis Iteration

知易智能知识管家

任务目标

• 本技能用于：Windows ARM64端侧智能数据工作站，实现数据分析自动化与知识沉淀结构化
• 能力包含：
  1. 自然语言查询解析（如"分析上个月销售趋势"）
  2. 多格式数据读取（CSV/JSON/Excel/图像）
  3. 批量文件处理与自动分类
  4. 8-Agent协作分析（锦衣卫总指挥使/密卷房/通政司/监察院/太史阁/刑狱司/参谋司/驿传司）
  5. 四色卡片生成（蓝/绿/黄/红）
  6. OCR图像文本提取（支持NPU加速）
  7. 知识图谱关联（BGE-M3向量检索）
  8. 可视化报告生成
  9. Agent记忆共享与流转（SQLite数据库）
  10. 知识图谱引导应用
• 触发条件：用户上传数据文件或通过自然语言提出分析需求

核心目标

1. 数据分析自动化：用户自然语言查询触发端侧处理流程
2. 知识沉淀结构化：生成四色卡片（事实/解释/风险/行动），构建可检索知识图谱
3. 端侧安全与性能：数据不出域，NPU推理延迟<500ms，本地向量检索响应<100ms

前置准备

环境配置

Python虚拟环境（venv_arm64）

# 创建ARM64 NPU优化的虚拟环境
python -m venv venv_arm64

# 激活虚拟环境（Windows）
venv_arm64\Scripts\activate.bat

# 验证Python版本
python --version  # 应显示 Python 3.12.10

QNN SDK环境配置（Windows ARM64）

# 设置QNN SDK环境变量
set QNN_SDK_ROOT=C:/path/to/qnn/sdk
set PATH=%QNN_SDK_ROOT%/bin;%PATH%

GenieAPIService配置

# GenieAPIService HTTP API配置
GENIE_API_BASE_URL = "http://localhost:8910"

模型配置

# 模型路径配置
MODEL_PATHS = {
    "qwen2.0-7b-ssd": "models/Qwen2.0-7B-SSD-8380-2.34",  # 通用推荐 ⭐️ (~450ms)
    "llama3.1-8b": "models/llama3.1-8b",                    # 更强推理 (~520ms)
    "llama3.2-3b": "models/llama3.2-3b",                     # 最快响应 (~280ms)
    "crnn-int8": "models/crnn-int8",                        # NPU OCR模型 (~50ms)
}

# 使用NPUModelLoader切换模型
from scripts.model_loader import NPUModelLoader

# 使用更小模型（更快）
loader = NPUModelLoader(model_key="llama3.2-3b")
model = loader.load()

# 使用NPU OCR
from scripts.ocr_npu import NPUCREngine
ocr_engine = NPUCREngine(model_path="models/crnn-int8")
result = ocr_engine.extract_text_from_image(image_path)

NPU OCR配置（新增）⭐

# NPU OCR引擎配置
from scripts.easy_ocr_npu import EasyOCRNPU

# 初始化EasyOCR NPU引擎（推荐）
ocr_engine = EasyOCRNPU(use_mock=False)  # 真实NPU模式

# 单张图像OCR
result = ocr_engine.ocr_single_image(
    image_path="./image.jpg",
    languages=["ch_sim", "eng"]
)

# 批量OCR
batch_result = ocr_engine.ocr_batch(
    image_paths=["./image1.jpg", "./image2.jpg"],
    languages=["ch_sim", "eng"]
)

# 获取引擎信息
info = ocr_engine.get_engine_info()

依赖说明

pandas>=1.5.0
openpyxl>=3.0.0
pytesseract>=0.3.0
Pillow>=9.0.0
fastapi>=0.104.0
uvicorn>=0.24.0
faiss-cpu>=1.7.4
sentence-transformers>=2.2.0
httpx>=0.25.0
python-multipart>=0.0.6
pydantic>=2.0.0
python-dotenv>=1.0.0
aiofiles>=23.0.0

OCR环境配置

# 安装Tesseract OCR引擎
apt-get install tesseract-ocr tesseract-ocr-chi-sim

数据目录准备

# 创建用户数据目录
mkdir -p ./user-data/
mkdir -p ./knowledge-graph/

NPU部署准备（关键）

# 1. 从高通模型广场下载预转换的QNN格式模型
# 2. 使用QAI AppBuilder将微调模型转换为INT8/INT4精度的QNN格式
# 3. 配置多进程架构，支持四色卡片生成器在独立NPU进程中并行推理

8-Agent协作架构（锦衣卫风格）

Agent分工（ARM64 NPU优化版本）

用户查询 (U)
    ↓
锦衣卫总指挥使 (Orchestrator) - NPU核心（Qwen2.0-7B-SSD或llama3.1-8b）
    ↓
    ├─── 密卷房 (Preprocessor) - CPU辅助（规则引擎）
    ├─── 查询构建与执行 (Query Builder) - 本地代码（Python + DuckDB）
    ├─── 卡片生成与分类 (Card Classifier) - NPU路由器（超轻量分类模型）
    └─── 四色卡片生成器家族（并行NPU推理）：
         ├─── 通政司 (Fact Generator) - NPU，Qwen2-1.5B-INT4
         ├─── 监察院 (Interpreter) - NPU，LoRA微调+量化Qwen2-7B
         ├─── 刑狱司 (Risk Detector) - NPU，规则引擎+Phi-3-mini
         └─── 参谋司 (Action Advisor) - NPU，CoT提示技术
    ↓
太史阁 (Memory) - 本地数据库+CPU向量检索（BGE-M3 + FAISS/Chroma）
    ↓
驿传司 (Reporter) - 前端 + NPU超轻量模型（100M参数）优化报告语言
    ↓
报告输出

详细Agent说明（ARM64 NPU优化版）

1. 锦衣卫总指挥使 (Orchestrator)

• 定位：8智能体体系的最高调度核心，统筹全流程、分配任务、处理异常
• 部署位置：Windows ARM64 + QNN SDK + NPU，运行Qwen2.0-7B-SSD或llama3.1-8b模型
• 核心能力：需求拆解、任务调度、进度监控、异常处置、结果聚合
• 模型选择：
  • Qwen2.0-7B-SSD (~450ms) - 通用推荐，平衡性能与速度
  • llama3.1-8b (~520ms) - 更强推理能力，适合复杂任务
  • llama3.2-3b (~280ms) - 最快响应速度，适合简单任务
• 提示词设计：见 references/8-agent-architecture.md

2. 密卷房 (Preprocessor)

• 定位：数据加工智能体，专注原始数据的清洗、格式转换、特征提取
• 部署位置：CPU辅助，运行规则引擎或小模型
• 核心能力：数据清洗、格式转换、特征提取、质量核验
• 提示词设计：见 references/8-agent-architecture.md

3. 查询构建与执行 Agent (Query Builder) ⭐新增

• 定位：根据结构化条件生成可执行的查询语句（SQL、API调用），从本地数据库获取数据
• 部署位置：本地代码（Python），不依赖AI模型，连接本地SQLite/DuckDB
• 核心能力：
  • 接收来自Orchestrator的JSON查询条件
  • 映射到本地数据库的表和字段
  • 生成优化的SQL查询
  • 执行查询，将结果集（DataFrame）返回给Orchestrator
• 技术特点：确定性程序，确保SQL生成的安全性和效率
• 代码位置：见 agents/query_builder.py

4. 卡片生成与分类 Agent (Card Classifier) ⭐新增

• 定位：分析数据结果，决定需要生成哪几类卡片，并触发对应的卡片生成器
• 部署位置：骁龙NPU，与Orchestrator共享模型或使用超轻量分类模型
• 核心能力：
  • 基于数据摘要和用户原始问题，判断需要生成哪些类型的分析卡片（四选一或组合）
  • 路由到对应的卡片生成器
• 四色卡片规则：
  • 🔵事实卡片：必须生成，总结核心数据事实
  • 🟢解释卡片：当数据有显著变化、模式或对比差异时生成
  • 🟡风险卡片：当数据触及预设阈值（如增长率< -5%）、发现异常点或潜在问题时生成
  • 🔴行动卡片：当问题本身要求建议，或识别出明确风险和机会时生成
• 代码位置：见 agents/card_classifier.py

5. 通政司 (Fact Generator) - 四色卡片生成器之一

• 定位：事实生成智能体，从预处理数据中提取核心事实，验证事实真实性
• 部署位置：NPU，使用量化后的Qwen2-1.5B-INT4模型
• 核心能力：事实提取、事实验证、事实结构化、事实反馈
• 提示词设计：专注于客观描述，禁止任何推断
• 并行推理：在独立NPU进程中与其他三个卡片生成器并行推理
• 提示词设计：见 references/8-agent-architecture.md

6. 监察院 (Interpreter) - 四色卡片生成器之一

• 定位：解释生成智能体，为事实结论生成可解释的逻辑说明
• 部署位置：NPU，用业务分析语料对Qwen2-7B进行LoRA微调后量化
• 核心能力：逻辑推导、解释可视化、异常解释、解释校验
• 提示词设计：引导"寻找相关性、季节性、外部因素"
• 并行推理：在独立NPU进程中与其他三个卡片生成器并行推理
• 提示词设计：见 references/8-agent-architecture.md

7. 太史阁 (Memory)

• 定位：数据存储智能体，统一数据仓库，支持权限管控与版本回溯；提供知识图谱引导应用服务
• 部署位置：CPU辅助，SQLite + BGE-M3模型 + FAISS/Chroma
• 核心能力：全量存储、权限调取、版本管理、向量检索、关联分析、知识图谱引导
• 知识图谱引导应用：见 references/knowledge-graph-application.md
• 详细说明：见 references/knowledge-graph.md

8. 刑狱司 (Risk Detector) - 四色卡片生成器之一

• 定位：风险检测智能体，基于事实结论检测潜在风险点，评估风险等级
• 部署位置：NPU，结合规则引擎与轻量模型
  • 规则引擎：首先用规则（阈值、同比环比）过滤
  • 轻量模型：再用Phi-3-mini量化版描述风险性质和可能影响
• 核心能力：风险规则加载、风险识别、风险评级、风险预警
• 并行推理：在独立NPU进程中与其他三个卡片生成器并行推理
• 提示词设计：见 references/8-agent-architecture.md

9. 参谋司 (Action Advisor) - 四色卡片生成器之一

• 定位：行动建议智能体，基于风险结果和解释结论生成可落地的行动建议
• 部署位置：NPU，使用思维链（CoT）提示技术
• 核心能力：建议生成、建议优先级、建议验证、建议优化
• 提示词设计：要求模型按"问题->根因->可选行动->推荐行动"的步骤推理
• 并行推理：在独立NPU进程中与其他三个卡片生成器并行推理
• 提示词设计：见 references/8-agent-architecture.md

10. 驿传司 (Reporter) ⭐调整定位

• 定位：报告合成与呈现智能体，将零散卡片整合为结构化的、用户友好的最终报告，并驱动前端界面更新
• 部署位置：前端 (React) 与 端侧轻量模型（100M参数级别）结合
• 工作流程：
  • 接收来自Orchestrator的所有卡片（JSON格式）
  • 调用前端组件，按照"总览 -> 事实 -> 解释 -> 风险 -> 行动"的逻辑顺序进行排版
  • 调用运行在骁龙NPU上的超轻量文本润色模型，对报告的语言进行流畅性优化
  • 生成交互式数据看板，支持用户点击卡片钻取详情
• 提示词设计：见 references/8-agent-architecture.md

详细架构说明：见 references/8-agent-architecture.md

NPU部署策略（关键创新点）

1. 模型量化

• 使用QAI AppBuilder，将微调后的模型转换为INT8/INT4精度的QNN格式
• 在NPU上获得最佳能效比

2. 并行执行

• 利用QAI AppBuilder的多进程架构
• 让四个卡片生成器（通政司/监察院/刑狱司/参谋司）在独立的NPU进程中并行推理
• 大幅提升处理速度

3. 模型选择策略

• 根据任务复杂度动态选择模型：
  • 简单任务：llama3.2-3b (~280ms)
  • 通用任务：Qwen2.0-7B-SSD (~450ms)
  • 复杂推理：llama3.1-8b (~520ms)
• 通过NPUModelLoader灵活切换

详细部署指南：见 references/npu-deployment.md

操作步骤

标准流程

1. 批量数据加载

   • 支持用户拖拽文件夹或选择目录
   • 调用 scripts/batch_process.py --dir <目录路径> 批量处理
   • 自动识别文件类型（CSV/JSON/Excel/图像）
   • 对图像文件执行OCR提取文本

2. 任务触发与分解

   • 用户自然语言查询（如"分析上个月销售趋势"）
   • 锦衣卫总指挥使解析意图，拆解为原子任务：
     • 密卷房数据加工→查询构建与执行→卡片生成与分类→四色卡片并行生成→太史阁知识检索→驿传司报告合成

3. 数据预处理

   • 密卷房接收数据加工任务
   • 数据感知：对接多源数据（数据库/API/文件）
   • 数据清洗：处理缺失值、异常值、重复值
   • 格式转换：统一转换为结构化JSON格式
   • 特征提取：提取核心分析特征
   • 输出"预处理数据+质量报告"至总指挥使

4. 查询构建与执行

   • 查询构建与执行 Agent接收查询条件
   • 接收来自Orchestrator的JSON查询条件
   • 映射到本地数据库的表和字段
   • 生成优化的SQL查询
   • 执行查询（使用DuckDB），将结果集（DataFrame）返回给Orchestrator
   • 输出"查询结果+数据摘要"至总指挥使

5. 卡片生成与分类

   • 卡片生成与分类 Agent接收数据摘要和用户原始问题
   • 基于数据摘要和用户原始问题，判断需要生成哪些类型的分析卡片
   • 四色卡片规则：
     • 🔵事实卡片：必须生成，总结核心数据事实
     • 🟢解释卡片：当数据有显著变化、模式或对比差异时生成
     • 🟡风险卡片：当数据触及预设阈值（如增长率< -5%）、发现异常点或潜在问题时生成
     • 🔴行动卡片：当问题本身要求建议，或识别出明确风险和机会时生成
   • 输出"需要生成的卡片类型列表"至总指挥使

6. 四色卡片并行生成 ⭐关键创新

   • 四色卡片生成器家族（通政司/监察院/刑狱司/参谋司）并行接收生成任务
   • 每个生成器在独立NPU进程中运行，实现并行推理
   • 通政司（事实卡片生成器）：使用Qwen2-1.5B-INT4，专注于客观描述
   • 监察院（解释卡片生成器）：使用LoRA微调+量化Qwen2-7B，引导寻找相关性、季节性、外部因素
   • 刑狱司（风险卡片生成器）：结合规则引擎（阈值、同比环比）+ Phi-3-mini量化版，描述风险性质和可能影响
   • 参谋司（行动卡片生成器）：使用CoT提示技术，按"问题->根因->可选行动->推荐行动"步骤推理
   • 输出四色卡片至总指挥使

7. 知识沉淀与关联

   • 太史阁存储新卡片元数据到SQLite
   • 使用BGE-M3模型将卡片内容向量化
   • 存入FAISS/Chroma本地库
   • 根据当前查询语义检索相关历史卡片
   • 应用四色卡片关联维度：
     • 蓝色卡片（事实层）：时间/地点/人物/事件/数字指标
     • 绿色卡片（分析层）：因果关系/对比关系/趋势变化/关联规则
     • 黄色卡片（创意层）：跨领域类比/潜在机会/创新方向
     • 红色卡片（风险层）：潜在问题/负面因素/冲突矛盾
   • 支持自定义关联规则：
     • 显性规则：直接描述关联逻辑（"将销售额>100万的地区与营销策略关联"）
     • 隐性规则：通过示例学习关联模式
     • 规则优先级：指定不同规则的权重和执行顺序
   • 跨色卡片引用机制：
     • 直接引用：任意卡片可引用其他颜色卡片
     • 规则映射：通过自定义规则实现跨色关联
     • 动态更新：引用关系随原始节点变化自动更新
     • 引用限制：循环引用检测、权限控制、引用标记
   • 详细说明：见 references/knowledge-graph.md 和 references/card-specification.md

8. 报告合成与呈现 ⭐调整

   • **驿传司（Reporter）**接收所有四色卡片
   • 调用前端组件，按照"总览 -> 事实 -> 解释 -> 风险 -> 行动"的逻辑顺序进行排版
   • 调用运行在骁龙NPU上的超轻量文本润色模型（100M参数级别），对报告的语言进行流畅性优化
   • 生成交互式数据看板，支持用户点击卡片钻取详情
   • 输出格式：见 assets/data-analysis-report-template.md

端到端分析示例

场景：销售数据分析（用户查询："分析上个月销售趋势"）

1. 任务触发

   • 锦衣卫总指挥使解析意图为"趋势分析"，启动标准流程

2. 数据预处理

   • 密卷房输出预处理数据：

     {
       "preprocessed_data": {
         "data": [
           {"date": "2024-12-01", "sales": 50000},
           {"date": "2024-12-31", "sales": 42500}
         ]
       },
       "quality_report": {
         "completeness": 0.98,
         "accuracy": 0.99
       }
     }
     

3. 事实生成

   • 通政司输出事实结论：

     {
       "fact_card": {
         "card_type": "blue",
         "title": "12月销售数据统计",
         "content": {
           "dimensions": ["时间"],
           "metrics": {
             "sales": {"value": 1200000, "unit": "元"},
             "growth_rate": {"value": "-15%", "comparison": "环比"}
           }
         }
       }
     }
     

4. 解释生成

   • 监察院输出解释说明：

     {
       "interpretation_card": {
         "card_type": "green",
         "title": "销售下滑原因分析",
         "content": {
           "logic_chain": [
             {"step": 1, "description": "竞品于12月中旬推出满减促销活动"},
             {"step": 2, "description": "核心客户群体被分流"},
             {"step": 3, "description": "销量环比下降15%"}
           ]
         }
       }
     }
     

5. 风险检测

   • 刑狱司输出风险结果：

     {
       "risk_card": {
         "card_type": "yellow",
         "title": "库存积压预警",
         "content": {
           "risk_type": "库存积压",
           "risk_level": "一级",
           "details": {
             "current_stock": 5000,
             "expected_demand": 2000,
             "excess_ratio": "150%"
           }
         }
       }
     }
     

6. 行动建议

   • 参谋司输出行动建议：

     {
       "action_card": {
         "card_type": "red",
         "title": "库存清理行动建议",
         "content": {
           "actions": [
             {
               "step": 1,
               "action": "推出限时折扣清理库存",
               "priority": "立即执行",
               "expected_effect": "库存周转率提升30%"
             }
           ]
         }
       }
     }
     

7. 信息衔接与知识检索

   • 驿传司转发所有模块间信息
   • 检索太史阁历史"竞品动态"卡片，提供上下文

8. 报告输出

   • 锦衣卫总指挥使整合所有结果
   • 生成交互式报告，包含折线图、风险预警、行动建议

可选分支

• 当数据质量不足时：密卷房标注质量问题，报告至总指挥使，触发人工介入
• 当用户意图不明确时：锦衣卫总指挥使主动沟通澄清需求，或提供多个可选分析方向
• 当检测到高风险时：刑狱司推送特级/一级风险至总指挥使，触发应急处置
• 当需要人工介入时：驿传司转发至人工系统，请求人工确认或补充信息
• 当历史知识可用时：太史阁检索相关历史卡片，提供给各智能体参考
• 当模型切换需求时：根据任务复杂度动态切换模型（llama3.2-3b/Qwen2.0-7B-SSD/llama3.1-8b）

前端对接

技术栈

• React 18 + TypeScript + Vite + Tailwind CSS
• Framer Motion（动画）
• Recharts（数据可视化）
• Lucide React（图标）

对接规范

• 后端提供RESTful API，前端通过HTTP请求对接
• 后端接口使用GenieAPIService（HTTP API）实现NPU推理调用
• 支持动态模型切换（llama3.2-3b/Qwen2.0-7B-SSD/llama3.1-8b）
• 前端状态管理建议使用Zustand或React Context API
• 核心组件包括：
  • 知识概览（KnowledgeOverview）
  • 知识图谱可视化（KnowledgeGraph）
  • 规则配置（RuleConfig）
  • 卡片生成（CardGeneration）
  • 报告看板（ReportDashboard）
  • 模型选择器（ModelSelector）⭐新增
• 详见 references/frontend-integration.md

资源索引

必要脚本

• scripts/read_data.py

  • 用途：读取 CSV/JSON/Excel 格式数据文件
  • 参数：--file 文件路径，--format 文件格式

• scripts/batch_process.py

  • 用途：批量处理文件夹中的文件，自动识别类型并分类
  • 参数：--dir 目录路径，--output 输出目录

• scripts/ocr_process.py

  • 用途：对图像文件执行OCR文本提取（CPU版本，pytesseract）
  • 参数：--file 图像文件路径，--language 语言（chi_sim/eng）

• scripts/ocr_npu.py

  • 用途：NPU加速的OCR图像文本提取（使用高通AI Engine SDK）
  • 参数：--file 图像文件路径，--language 语言
  • 性能：NPU加速，推理延迟~50ms（比CPU快4倍）
  • 使用方式：

    from scripts.ocr_npu import NPUCREngine
    
    # 初始化NPU OCR引擎
    ocr_engine = NPUCREngine(model_path="models/crnn-int8")
    
    # 单张图像OCR
    result = ocr_engine.extract_text_from_image(
        image_path=Path("./image.jpg"),
        language='chi_sim+eng'
    )
    
    # 批量OCR
    batch_result = ocr_engine.batch_extract_text(
        image_paths=[Path("./image1.jpg"), Path("./image2.jpg")],
        language='chi_sim+eng'
    )
    

• scripts/easy_ocr_npu.py

  • 用途：EasyOCR NPU引擎封装，推荐的OCR解决方案
  • 使用方式：

    from scripts.easy_ocr_npu import EasyOCRNPU
    
    ocr_engine = EasyOCRNPU(use_mock=False)  # 真实NPU模式
    result = ocr_engine.ocr_single_image(image_path="./image.jpg", languages=["ch_sim", "eng"])
    

• scripts/model_loader.py

  • 用途：NPU模型加载器，支持多模型切换（llama3.2-3b/Qwen2.0-7B-SSD/llama3.1-8b）
  • 参数：--model_key 模型标识符
  • 示例：

    from scripts.model_loader import NPUModelLoader
    
    # 使用更小模型（更快）
    loader = NPUModelLoader(model_key="llama3.2-3b")
    model = loader.load()
    

• scripts/vector_retrieval.py

  • 用途：向量检索模块，使用BGE-M3模型和FAISS进行语义搜索
  • 使用方式：vr = VectorRetrieval(); vr.search(query, top_k=10)

• scripts/agent_memory_db.py

  • 用途：Agent记忆数据库访问类，封装所有CRUD操作
  • 使用方式：db = AgentMemoryDB("./agent_memory.db")

• scripts/init_memory_db.py

  • 用途：初始化Agent记忆数据库，创建表结构和索引
  • 参数：--db-path 数据库路径（默认：./agent_memory.db）

Agent模块

• agents/orchestrator.py - 锦衣卫总指挥使，8-Agent体系最高调度核心
• agents/preprocessor.py - 密卷房，数据清洗与格式转换
• agents/query_builder.py - 查询构建与执行Agent
• agents/card_classifier.py - 卡片生成与分类Agent
• agents/fact_generator.py - 通政司，事实卡片生成器
• agents/interpreter.py - 监察院，解释卡片生成器
• agents/risk_detector.py - 刑狱司，风险卡片生成器
• agents/action_advisor.py - 参谋司，行动卡片生成器
• agents/memory.py - 太史阁，知识存储与检索
• agents/messenger.py - 驿传司，报告合成与呈现
• agents/canmousi.py - 蚕眸司，视觉分析Agent
• agents/jianchayuan.py - 监察院（扩展），数据分析
• agents/mijuanfang.py - 密卷房（扩展），文档处理
• agents/taishige.py - 太史阁（扩展），知识管理
• agents/tongzhengsi.py - 通政司（扩展），信息传递
• agents/xingyusi.py - 行移司，流程调度
• agents/yichuansi.py - 驿传司（扩展），报告输出

领域参考

• references/8-agent-architecture.md

  • 何时读取：设计Agent协作流程、理解Agent角色职责、实现提示词设计

• references/7-agent-architecture.md

  • 何时读取：7-Agent架构参考，对比8-Agent设计

• references/npu-deployment.md

  • 何时读取：部署NPU加速功能、配置模型量化、实现并行推理

• references/easyocr-npu-deployment.md

  • 何时读取：EasyOCR NPU部署配置

• references/model-selection.md

  • 何时读取：选择合适的模型、理解模型性能差异、配置模型切换策略

• references/agent-prompts.md

  • 何时读取：配置和调试Agent时
  • 内容：所有Agent的详细提示词设计（锦衣卫风格）

• references/knowledge-graph.md

  • 何时读取：设计知识图谱结构、实现卡片关联、配置向量检索

• references/agent-memory-database.md

  • 何时读取：使用Agent记忆数据库、开发Agent协作功能
  • 数据库设计、API接口、使用示例、性能优化

• references/knowledge-graph-application.md

  • 何时读取：使用知识图谱引导应用时
  • 内容：SmartBot知识图谱引导应用完整工作流程

• references/mock-summary.md

  • 何时读取：准备替换Mock代码为真实AIPC NPU实现时
  • 内容：所有Mock代码的位置、替换说明、优先级

• references/frontend-integration.md

  • 何时读取：对接前端组件、实现API接口、设计数据可视化

• references/frontend-development.md

  • 何时读取：前端开发规范、组件设计

• references/card-specification.md

  • 何时读取：创建四色卡片、编写分析内容
  • 卡片结构、数据格式、约束条件

• references/analysis-best-practices.md

  • 何时读取：数据分析最佳实践

• references/backend-api.md

  • 何时读取：后端API设计、对接后端服务

• references/data-classification.md

  • 何时读取：数据分类标准、处理规范

输出资产

• assets/data-analysis-report-template.md
  • 用途：报告模板，定义标准报告结构

注意事项

• 所有数据不出域，本地AES-256加密存储
• NPU推理延迟<500ms，本地向量检索响应<100ms
• GenieAPIService作为标准HTTP API接口，支持RESTful调用
• 充分利用智能体的语言理解和生成能力，避免为简单任务编写脚本
• 按需读取参考，保持上下文简洁
• 前后端完全解耦，通过RESTful API对接

性能指标

• NPU推理延迟：<500ms（Qwen2.0-7B-INT8）
• CPU模式（INT4）：<2s
• 本地向量检索响应：<100ms（10万级数据）
• 批量处理速度：1000个文件/分钟（取决于文件大小和复杂度）
• OCR准确率：>95%（清晰图像）
• 前端响应时间：<200ms（知识概览页面加载）

部署环境

• 平台：Windows ARM64（支持Linux/macOS）
• 后端：FastAPI + Python 3.10+ + uvicorn
• 前端：React 18 + TypeScript + Vite + Tailwind CSS
• 数据库：SQLite（元数据）
• 向量检索：BGE-M3 + FAISS
• NPU SDK：QNN SDK（可选，用于NPU加速）
• 服务接口：FastAPI RESTful API + GenieAPIService（可选NPU推理）

架构说明

• 多Agent架构：采用多Agent锦衣卫风格协作流
  • 核心Agent：orchestrator, preprocessor, query_builder, card_classifier
  • 卡片生成器：fact_generator, interpreter, risk_detector, action_advisor
  • 扩展Agent：canmousi, jianchayuan, mijuanfang, taishige, tongzhengsi, xingyusi, yichuansi
  • 基础设施：memory, messenger
• 前后端完全解耦：通过RESTful API对接，前端通过HTTP请求调用后端服务
• NPU加速支持：可选集成GenieAPIService进行NPU推理
• 多模态扩展：支持OCR识别图像文本，视频处理模块需后续迭代