5.7 自动化办公Agent与数据分析Agent开发实战
一、自动化办公Agent
1.1 能力
- 邮件摘要与分类
- 日程解析与提醒
- 文档摘要与关键信息提取
1.2 工具设计
- 邮件API（读取、发送）
- 日历API
- 文档解析（PDF、Word）
1.3 实现思路
结合LangChain Agent + 自定义Tools，将邮件、日历等封装为工具，由模型根据用户意图选择调用。
二、数据分析Agent
2.1 能力
- 自然语言转SQL
- 数据可视化建议
- 报告生成
2.2 工具设计
- 数据库查询工具（执行SQL）
- 图表生成工具
- 报告模板
2.3 实现思路
用户输入"上月销售额TOP5"，Agent解析为SQL→执行→获取结果→生成图表或报告。
三、自动化办公Agent工具设计
3.1 邮件工具
- read_emails：根据条件读取邮件，返回摘要列表
- send_email：发送邮件，参数为收件人、主题、正文
- search_emails：按关键词搜索
3.2 日历工具
- get_events：获取某时间段的日程
- create_event：创建日程
- reschedule：改期
3.3 实现注意
需对接企业邮箱与日历API（如Microsoft Graph、Google API）。注意OAuth认证与权限范围。
四、数据分析Agent工具设计
4.1 SQL工具
- 输入：自然语言或结构化查询
- 内部：将自然语言转SQL（可用LLM），执行并返回结果
- 安全：只读、限制表范围、避免SQL注入
4.2 图表工具
- 根据数据与用户意图生成图表类型建议
- 调用matplotlib/plotly等生成图片
- 返回图片路径或base64供前端展示
4.3 报告模板
- 预定义Markdown/Word报告模板
- 将查询结果填充到模板
- 支持导出为PDF
五、与《大模型应用开发极简入门》5.4 节的对应
本书第5章「开发AI Agent」中，实战部分明确列举：自动化办公Agent、数据分析Agent、任务调度Agent。本节与之一一对应：自动化办公 Agent 对应邮件摘要与分类、日程解析与提醒、文档摘要与关键信息提取；数据分析 Agent 对应自然语言转 SQL、数据可视化建议、报告生成。书中强调通过 ReAct 框架 + 函数调用与工具集成 实现复杂任务，本节将「工具设计」细化为邮件、日历、SQL、图表、报告等具体工具，便于按书落地。
六、Agent 提示与安全
6.1 系统提示设计
在 Agent 的 system 中明确：可用工具列表与使用场景、禁止越权操作（如仅能读邮件不能删）、输出格式（如先说明调用了哪些工具再给结论）。便于模型正确选择工具并避免误操作。
6.2 权限与审计
邮件、日历、数据库等工具涉及敏感数据。需遵循最小权限（只读/限定表）、操作审计（记录谁在何时调用了什么）、敏感操作二次确认（如发邮件前确认）。
6.3 错误处理
工具调用可能失败（网络、权限、参数错误）。将错误信息返回给模型，由模型向用户解释或重试；同时记录日志便于排查。
八、与 5.6 节 ReAct Agent 的衔接
5.6 节已讲解 ReAct Agent 的创建方式（create_react_agent + AgentExecutor）与工具定义。本节是在此基础上的领域化：将邮件、日历、SQL、图表、报告等封装为 Tool，并设计相应的 system 提示（如「你是企业办公助手，可查邮件、日程与文档摘要」）。实现时可直接复用 5.6 节的 Agent 框架，仅替换 tools 列表与 prompt 即可。书中「自动化办公 Agent、数据分析 Agent、任务调度 Agent」均可按同一模式扩展：定义领域工具 → 写清描述与权限 → 接入 AgentExecutor。
十、任务调度 Agent 的简要说明（书 5.4）
书中 5.4 节还提到任务调度 Agent：可根据自然语言描述安排、查询或修改任务（如「明天下午三点提醒我开会」）。实现思路与办公、数据分析 Agent 一致：将日历、待办、提醒等封装为 Tool（如 create_reminder、list_tasks、update_task），在 system 中说明「你是任务调度助手，可创建提醒、列出待办、修改任务」，由 Agent 根据用户意图选择工具与参数。数据源可以是本地待办、Google Calendar、飞书等，通过对应 API 封装为 LangChain Tool 即可。本节未展开代码，但架构与 5.6、5.7 的 Agent 完全一致，可作为第三个实战方向自行扩展。
九、小结
自动化办公与数据分析是书中 Agent 实战的典型应用。通过合理设计工具与提示，可构建实用的智能助手。第五章完结，下一章将介绍生产级部署与综合实战。
十一、与 6.3 智能客服、6.4 数据分析师 Agent 的衔接
6.3 节智能客服：智能客服同样采用「对话 + RAG + 工具 + 人工转接」，与本节办公/数据分析 Agent 的架构一致；差异在于工具集（客服为订单、工单、转人工等）。6.4 节企业数据分析师 Agent：即本节「数据分析 Agent」的完整案例，包含数据查询、可视化与报告生成。按本节工具设计与 5.6 的 ReAct 框架实现后，即可在第六章综合案例中复用为客服或数据分析师 Agent。书中第 5 章 Agent 与第 6 章综合运用的衔接点即在于：本节是领域化工具与提示设计，第 6 章是端到端系统与部署。
十二、小结（复述）
自动化办公 Agent（邮件、日历、文档）与数据分析 Agent（SQL、图表、报告）对应书中 5.4 节实战；任务调度 Agent 可按同一模式扩展。结合 5.6 ReAct 与 5.3 Memory/Tools，即可从零搭建可用的领域 Agent，并为第 6 章综合案例提供组件基础。
十三、自动化办公 Agent 的完整工具列表示例
| 工具名 | 输入 | 输出 | 说明 |
|---|---|---|---|
| read_emails | 条件（如未读、发件人） | 邮件摘要列表 | 对接邮箱 API |
| send_email | 收件人、主题、正文 | 发送状态 | 需二次确认 |
| get_events | 日期范围 | 日程列表 | 对接日历 API |
| create_event | 标题、时间、参与人 | 创建结果 | 需权限控制 |
| summarize_doc | 文档路径或内容 | 摘要文本 | 可调用 LLM 或 RAG |
每个工具需在 LangChain Tool 的 description 中写清「何时用、输入格式、输出含义」，便于 Agent 正确选择。与 5.6 节工具定义一致，仅将 func 实现为对邮件、日历、文档等 API 的封装。
十四、数据分析 Agent 的 SQL 安全与 schema 注入
execute_sql 工具必须做白名单表、只读、参数化等限制；get_schema 返回允许访问的表与列，供模型生成 SQL 时参考。在 system 中明确「仅可根据 get_schema 返回的结构生成 SELECT；禁止 DELETE/UPDATE/DROP」；对用户输入做关键词过滤，避免注入。与 6.4 节企业数据分析师 Agent 的安全要求一致，实现时可复用 6.4 的 get_schema 与自然语言转 SQL 的提示设计。
第五章完结。下一章：第六章 生产级部署与综合实战
