# Xagent

> XAgent是一个智能跨域分析助手，基于SOP驱动的规划、多工具协调和多层次数据分析框架，提供专业的商业智能和数据分析能力。当用户需要进行数据分析、业务分析、生成报告或需要结构化的问题解决方案时使用。

- Skill: `xiaoyuge886/xagent` (Agent Skill, multi-file: 22 files)
- Install (CLI): `npx skillmds@latest add xiaoyuge886/xagent`
- Raw SKILL.md: https://api.skillmd.com/api/skills/xiaoyuge886/xagent/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: xiaoyuge886 (https://skillmd.com/u/xiaoyuge886)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/xiaoyuge886/xagent

---


# XAgent - 智能跨域分析助手

一个全面的Claude技能，实现XAgent的智能跨域分析能力，以SOP驱动的规划、多工具协调和多层次数据分析为特色。

## 概览

XAgent是一个精密的跨域智能助手，在各个领域提供结构化、高质量的分析。它使用标准作业程序（SOP）确保一致的、高质量的输出，并协调多个工具高效完成复杂任务。

## 核心特性

### 🎯 核心能力
- **SOP驱动规划**：基于经过验证的方法论自动生成结构化执行计划
- **多层次数据分析**：描述性分析 → 异常检测 → 相关性分析 → 预测性分析
- **多工具协调**：智能选择和编排多个分析工具
- **Prompt工程**：使用先进的prompt模板确保一致的高质量输出
- **跨域能力**：支持不同专业领域的专业分析指导
- **MCP服务集成**：自动发现和使用外部MCP服务
- **对话记忆**：跨多次交互维护上下文，支持持续分析

### 🔧 技术特性
- **模块化架构**：六个专业组件协同工作
- **实时进度跟踪**：步骤执行监控
- **错误处理与重试**：健壮的错误恢复机制
- **性能优化**：并行执行和智能缓存
- **可扩展设计**：易于添加新工具和分析方法

## 安装

该技能是自包含的，除了Python 3.8+外不需要任何外部依赖。所有组件都包含在包中。

## 使用方法

### 基础使用

```python
from xagent_skill import XAgent, XAgentConfig

# 使用默认配置初始化
agent = XAgent()

# 处理用户查询
result = agent.process_request(
    query="分析销售数据趋势并识别增长机会",
    user_id="user_001"
)

if result['guidance_prompt']:
    print(f"生成了专业指导prompt，长度: {len(result['guidance_prompt'])}字符")
    print(f"推荐的工具: {result['recommended_tools']}")
    print(f"包含多层次规划: {result['metadata']['has_hierarchical_planning']}")

    if result['hierarchical_plan']:
        print(f"预计工时: {result['hierarchical_plan']['estimated_timeline']['total_estimated_hours']}小时")
```

### 高级使用

```python
from xagent_skill import XAgent, XAgentConfig

# 自定义配置
config = XAgentConfig(
    enable_sop_guidance=True,
    enable_hierarchical_planning=True,
    enable_tool_coordination=True,
    enable_domain_expertise=True,
    enable_analysis_guidance=True,
    prompt_language="zh-CN",
    detail_level="comprehensive"
)

agent = XAgent(config)

# 多轮对话示例
session_id = "analysis_session"

# 第一次查询
result1 = agent.process_request(
    query="分析Q3销售业绩",
    user_id="analyst_001",
    session_id=session_id
)

# 后续查询，带上下文
result2 = agent.process_request(
    query="重点关注表现不佳的区域并提出改进建议",
    user_id="analyst_001",
    session_id=session_id
)

# 复杂报告写作
result3 = agent.process_request(
    query="基于以上分析，撰写一份完整的季度业绩分析报告",
    user_id="analyst_001",
    session_id=session_id
)
```

## 组件

### 1. SOP规划技能 (`SOPPlanningSkill`)

使用标准作业程序生成结构化执行计划。

**特性：**
- 三种SOP匹配模式（高相关、通用、无SOP）
- 智能任务分解
- 工具需求识别
- 置信度评分

```python
from joyagent_skill import SOPPlanningSkill

planner = SOPPlanningSkill()
plan = planner.plan("分析客户流失模式")
print(f"生成了{len(plan.steps)}个步骤")
print(f"模式: {plan.mode.value}")
```

### 2. 任务执行技能 (`TaskExecutionSkill`)

使用并行处理能力执行结构化计划。

**特性：**
- 并行和串行执行模式
- 自动重试机制
- 进度跟踪
- 错误恢复

```python
from joyagent_skill import TaskExecutionSkill

executor = TaskExecutionSkill(max_parallel_tasks=3)
results = executor.execute(plan, context={'data': sales_data})
```

### 3. Prompt引擎 (`PromptEngine`)

管理复杂的prompt模板和链，确保AI行为一致。

**特性：**
- 模板管理系统
- 动态prompt链
- 性能优化
- A/B测试支持

```python
from joyagent_skill import prompt_engine

# 获取复杂分析的最优prompt
prompt = prompt_engine.get_optimal_prompt(
    'complex_analysis',
    {'query': '分析市场趋势'}
)
```

### 4. 多工具协调器 (`MultiToolCoordinator`)

智能选择和协调多个分析工具。

**特性：**
- 智能工具选择算法
- 依赖关系解析
- 并行执行优化
- 性能监控

```python
from joyagent_skill import MultiToolCoordinator

coordinator = MultiToolCoordinator()
tools = coordinator.select_tools("全面数据分析")
plan = coordinator.create_execution_plan(tools)
```

### 5. 数据分析技能 (`DataAnalysisSkill`)

实现专业的四阶段数据分析框架。

**特性：**
- 描述性统计和趋势
- 异常检测算法
- 相关性和关系分析
- 预测建模

```python
from joyagent_skill import DataAnalysisSkill

analyzer = DataAnalysisSkill()
results = analyzer.analyze(sales_data, "分析销售业绩")
report = analyzer.generate_analysis_report(results)
```

### 6. 对话管理器 (`ConversationManager`)

管理多轮对话和上下文记忆。

**特性：**
- 会话管理
- 上下文累积
- 用户偏好学习
- 对话历史

```python
from joyagent_skill import ConversationManager

manager = ConversationManager()
conv_id = manager.start_conversation("user_001", "session_001", "初始查询")
manager.add_message(conv_id, MessageRole.USER, "后续问题")
```

## 支持的分析类型

### 商业分析
- **销售分析**：收入趋势、绩效指标、增长机会
- **客户分析**：流失模式、细分、满意度分析
- **市场分析**：竞争格局、趋势、机会识别

### 数据分析
- **描述性分析**：统计、分布、数据画像
- **诊断分析**：根本原因分析、异常检测
- **预测分析**：预测、趋势预测、场景建模

### 报告
- **执行摘要**：关键洞察、建议、行动项
- **详细报告**：方法论、发现、限制、附录
- **可视化**：图表建议、数据故事讲述

## 配置选项

### JoyAgentConfig

```python
config = JoyAgentConfig(
    enable_sop_planning=True,           # 启用SOP规划
    enable_multi_tool_coordination=True, # 启用工具协调
    enable_conversation_memory=True,     # 启用对话上下文
    enable_data_analysis=True,          # 启用数据分析框架
    max_parallel_tools=3,               # 最大并行工具数
    max_conversation_history=50,        # 最大对话消息存储数
    auto_optimization=True             # 启用性能优化
)
```

### SOP阈值

```python
planner.update_thresholds(
    high=0.9,    # 高置信度SOP匹配阈值
    low=0.4      # 无SOP模式阈值
)
```

## 示例

### 示例1：销售分析

```python
from joyagent_skill import JoyAgent

agent = JoyAgent()

result = agent.process_request(
    query="分析2023年销售数据，识别增长趋势并提出改进策略",
    user_id="sales_manager"
)

# 输出包括：
# - 详细销售趋势分析
# - 增长机会识别
# - 战略建议
# - 支持数据可视化
```

### 示例2：客户流失分析

```python
result = agent.process_request(
    query="分析客户流失模式，识别关键风险因素并提出保留策略",
    user_id="customer_success"
)

# 输出包括：
# - 流失率分析
# - 风险因素识别
# - 客户细分分析
# - 保留策略建议
```

### 示例3：多轮分析

```python
# 初始广泛分析
result1 = agent.process_request(
    query="提供Q3绩效指标概览",
    user_id="analyst",
    session_id="quarterly_review"
)

# 深入特定领域
result2 = agent.process_request(
    query="专注于利润率最高的产品线并分析客户满意度",
    user_id="analyst",
    session_id="quarterly_review"
)

# 生成最终报告
result3 = agent.process_request(
    query="创建包含可行建议的综合执行摘要",
    user_id="analyst",
    session_id="quarterly_review"
)
```

## 输出格式

### 执行计划结构

```json
{
  "plan_id": "plan_1234567890",
  "title": "销售数据分析计划",
  "mode": "HIGH_MODE",
  "steps": [
    {
      "step_order": 1,
      "title": "数据收集和验证",
      "description": "收集和清洗销售数据",
      "tools": ["data_analysis"],
      "expected_output": "已验证的数据集"
    }
  ],
  "confidence": 0.95
}
```

### 分析报告结构

```markdown
# 销售数据分析报告

## 执行摘要
- 总销售额：¥X.XM（同比增长Y%）
- 关键发现：[最重要的洞察]

## 详细分析

### 1. 描述性分析
- 销售趋势和模式
- 绩效指标

### 2. 异常检测
- 识别异常
- 根本原因分析

### 3. 相关性分析
- 关键关系
- 影响因素

### 4. 预测分析
- 预测结果
- 场景建模

## 建议
1. [战略建议]
2. [战术建议]

## 限制
- [分析约束]
- [数据限制]
```

## 性能特征

### 准确性
- **GAIA基准**：测试集准确率65.12%
- **可靠性**：>95%成功率
- **一致性**：SOP驱动的标准化输出

### 效率
- **响应时间**：典型分析2-5秒
- **并行处理**：最多3个工具同时
- **可扩展性**：高效处理高达10K行数据集

### 可靠性
- **错误恢复**：带后备策略的自动重试
- **优雅降级**：组件故障时的部分结果
- **数据验证**：严格输入验证和清理

## 使用场景

### 商业智能
- **季度业务回顾**：全面绩效分析
- **市场研究**：竞争分析和机会识别
- **客户洞察**：行为分析和细分

### 数据分析
- **临时分析**：新数据集快速洞察
- **趋势分析**：模式识别和预测
- **根本原因分析**：问题调查和解决方案

### 报告
- **高管仪表板**：关键指标和KPI跟踪
- **部门报告**：专门化的不同职能分析
- **合规报告**：自动化合规报告

## 集成

### Python集成

```python
# 直接导入
from joyagent_skill import JoyAgent

# 带自定义配置
from joyagent_skill import JoyAgent, JoyAgentConfig

# 单独组件使用
from joyagent_skill import SOPPlanningSkill, DataAnalysisSkill
```

### API集成

```python
# REST API使用（通过FastAPI部署时）
import requests

response = requests.post('http://localhost:8000/api/chat', json={
    'message': '分析销售数据',
    'user_id': 'user_001'
})
```

### Claude集成

技能可以直接在Claude Agent环境中导入和使用：

```python
# 在Claude Agent上下文中
skill = load_skill('joyagent_skill')
result = skill.execute("分析客户数据")
```

## 最佳实践

### 查询制定
- **具体明确**：提供清晰的分析目标
- **包含上下文**：提及相关时间段、数据源、约束
- **指定输出**：指示期望的格式和详细程度

### 数据要求
- **结构化数据**：CSV、JSON或pandas DataFrame格式优先
- **数据质量**：确保数据干净并经过验证
- **充足样本量**：可靠分析至少需要50个数据点

### 工作流优化
- **从广泛开始**：在深入之前进行一般性分析
- **迭代方法**：使用后续问题完善分析
- **利用上下文**：在同一会话中基于之前分析进行构建

## 限制

### 数据约束
- **最大数据集大小**：最佳性能10K行
- **支持格式**：CSV、JSON、pandas DataFrame
- **内存需求**：大型数据集最低2GB内存

### 分析范围
- **领域专业知识**：一般商业分析，非专门行业知识
- **实时数据**：无直接实时数据源集成
- **预测准确性**：仅基于历史数据的预测

### 技术约束
- **处理时间**：复杂分析可能需要最多30秒
- **并发用户**：受系统资源限制
- **网络依赖**：某些工具需要网络连接

## 故障排除

### 常见问题

**问题**：分析失败，显示"数据不足"
**解决方案**：确保最少50个数据点并包含足够列

**问题**：未生成执行计划
**解决方案**：检查查询清晰度和具体性

**问题**：响应缓慢
**解决方案**：减少数据集大小或简化分析范围

**问题**：结果不一致
**解决方案**：使用一致的数据格式和查询措辞

### 调试模式

```python
import logging
logging.basicConfig(level=logging.DEBUG)

agent = JoyAgent()
result = agent.process_request("测试查询", debug=True)
```

### 性能监控

```python
# 获取系统统计
stats = agent.get_stats()
print(f"成功率: {stats['successful_requests']/stats['total_requests']:.2%}")
print(f"平均响应时间: {stats['avg_response_time']:.2f}s")
```

## 贡献

虽然这是自包含技能，但欢迎通过以下方式进行改进：
- 特定域的新SOP模板
- 额外的分析工具和方法
- 性能优化
- 文档改进

## 许可证

本技能基于MIT许可证提供。详情请参见LICENSE文件。

## 支持

如遇问题、问题或功能请求：
- 检查故障排除部分
- 查看示例使用模式
- 参考API文档
- 联系开发团队

---

**版本**：2.0.0
**最后更新**：2024-12-14
**兼容性**：Claude Agent, Python 3.8+
**升级说明**：从JoyAgent 1.0.0升级到XAgent 2.0.0，增强跨域能力和MCP集成