start	end	text
0	28200	好,那么之前我们是了解了关于deep seek模型的Responsees API和Codex怎么样来进行接入。现在其实对于咱们的开发者的学习来说,前期肯定是要有一个基础的学习的这样的过程。当然其实我会觉得可能更长的学习的周期应该放在围绕一个又一个项目来进行开发试错,不断的来提取经验,然后最后优化完成一个系统开发的整个完整的链路。
28200	32100	那么大家现在看到的DS4-AI数据分析系统
32100	37600	实际上就是接下来带大家来手动一步一步来完成搭建的这样的开发的项目
37600	43620	当然我们这里同样是使用Deepseek V4 Flash搭配着Codex来完成一个系列完整的开发
43620	48420	实际上大家需要知道尽管现在Deepseek我们使用的是Flash这样的小号模型
48420	52080	但是其实它的性能并不比今年上半年或者今年年初
52080	57820	对不对当时Codex当时Opera 4.5这样的那样的一个模型的性能差甚至要强很多
57820	59640	所以其实对这样的性能来说
59640	60720	尽管它是小号
60720	62300	但是对于很多开发任务来说
62300	63920	其实绝对可以来进行使用的
63920	65960	并且它本身的响应速度也很快
65960	66360	对吧
66360	69700	再加上现在和整个Codex的兼容特性也非常稳定
69700	71760	那么我们刚才其实是围绕着
71760	75140	我们的part3的课件重新进行一轮修正
75140	77300	然后我们刚刚讲Codex好多功能
77300	79380	什么States
79380	80240	什么Innet
80240	81360	什么项目结构
81360	82160	Agents
82160	83940	各式各样的这些东西
83940	85260	应该怎么样进行编写
85260	86940	包括它的Sandbox
86940	88400	怎么样来进行开启
88400	88760	对不对
88760	90540	他的subagents怎么样进行开启等等
90540	92900	我们之前课程里面的截图被吞了
92900	93780	导致大家可能没有看到
93780	94500	没关系
94500	95680	大家现在可以再去看一看
95680	97720	我们的part3里面的这些截图
97720	99860	再回顾一下codex的整体这样的功能
99860	100560	那么接下来
100560	102020	在整个实操过程当中
102020	104460	也会有一个更加快速的
104460	106080	上手的这样的一个效果
106080	108320	当然我们在所有的开发过程当中
108320	110340	我们首先需要跟大家先梳理清楚的是
110340	111100	整个开发思路
111100	113380	和需要用到的codex相关的功能
113380	115340	以及围绕我们当前这个系统
115340	116720	我们怎么样来进行技术选行
116720	119760	我们公开课其实每一期公开课都是这个时间有限
119760	121400	可能我们只能够讲完到这一层
121400	124880	至于说最后通过总共是40多轮这样的提示
124880	128380	就完成一整个系统开发的每一轮的提示词
128380	130720	和每一轮的系统的快照还是一样的
130720	131700	我们会放在课件里面
131700	133040	大家回头可以自己拿到再去看
133040	135760	然后我们的公开课的有限的最后一个小时
135760	137620	这个时间会跟大家梳理清楚
137620	140180	关于整个项目在进行开发的过程当中
140180	143500	它的底层的思路和技术选行到底是什么样
143500	145120	我们之前K3的课其实也是
145120	146340	进展到这一块的时候
146340	147200	时间稍微一点紧
147200	147660	好
147660	149640	那么首先我们在对照的这个项目
149640	150300	跟大家来说
150300	151800	到底有哪一些这样的功能
151800	155080	当然其实从整个AI技术兴起开始
155080	157120	就是关于使用AI来进行数据分析
157120	159120	其实是一块非常大的功能
159120	160720	非常大的一块业务的需求
160720	162280	包括我们现在课程里面
162280	164120	总共有四项旗舰项目里边
164120	166120	而且有一个项目也是工业级的
166120	167900	非常复杂创技家的AI数据分析
167900	169440	那么围绕这个数据分析
169440	172720	其实它内部有很多的一些技术体系
172720	174040	包括像NL2色刻画
174040	175260	包括像这个现在
175260	176300	还有全自动的
176300	178000	这个AI来进行机器学习建模
178000	178560	等等等等
178560	179560	各个细分的
179560	180720	这样的这个技术体系
180720	181520	当然之所以
181520	183440	AI能够很好的来进行数据分析
183440	184120	这样的操作
184120	184940	其实也是因为
184940	186720	这个对大模型来说
186720	187640	这个内容创作
187640	188540	或许不得行
188540	189580	然后呢
189580	190900	这个最开始的时候
190900	192220	非常复杂大规模
192220	192840	几万行
192840	194200	十几万行代码的项目开发
194200	195040	或许有点困难
195040	196580	但是像AI数据分析
196580	196880	对不对
196880	198580	从这数据里面找规律下判断
198580	199120	然后呢
199120	200080	写一些这个circle
200080	201580	来去完成一些高精准的
201580	204700	这个数据清洗或者数据建模相关的这个操作
204700	208960	这个对于AI来说实际上是非常好就能够实现的
208960	212000	所以现在如果你看所有的一些领域的落地的
212000	213440	各项其实落地的这个情况来看
213440	217180	像AI数据分析这个领域的这个落地应该是非常深刻
217180	217820	非常彻底
217820	220880	并且是很早就能取得非常显著这样的成效了
220880	223620	所以现在我们在进行一些项目
223620	224780	拿了一些项目来进行开发
224780	225660	大家想去练手
225660	228360	尤其是咱们接下来如果邱昭想去找工作的话
228360	231060	那么其实做几个AI数据分析这样的项目
231060	234320	是能够很能够是能够获得一些成果的
234320	236240	那么接下来我们给大家介绍的
236240	238300	这个DS4-AI数据分析系统
238300	239420	实际上就是现在
239420	242180	就现在这个阶段适配于2026下半年
242180	244620	比较适合去做一个
244620	247620	大家如果想要去做一些简历项目的一个功能
247620	248340	非常齐全
248340	251400	并且性能也还非常不错的一个完整的AI数据分析系统
251400	252820	那么这个数据分析系统
252820	254340	我们先看它到底有哪些功能
254340	256740	首先对于整个数据分析系统来说
256740	258220	它必须得有一个漂亮的页面
258220	262380	这个不是必要的 但是如果有的话当然更好 对不对
262380	266060	有一个比较好的webdesign的效果肯定会更好
266060	269420	当然我们webdesign是怎么做的 我们稍后再跟大家说 这先不着急
269420	272140	然后首先我们肯定是要有一个
272140	276260	稍等 我们给它切换成浅色的
276260	284340	因为浅色的话 我会觉得可能更容易看得出效果一些
284340	288300	好 那么首先第一块是需要有一个数据资产的管理的系统
288300	289680	所谓数据资产管理系统指的是
289680	292280	我们需要有一个完整的工程模块
292280	293980	去负责去给当前的AI数据分析
293980	296500	去介入各个不同的渠道这样的数据
296500	298920	包括你本地的 Excel CSV这个数据
298920	301160	包括你数据户里面的一些数据
301160	302060	MySQL的数据
302060	302940	SQLite的数据
302940	305020	甚至是一些分布数的数据户里面等等
305020	308400	总之你需要维护一整个数据资产也好
308400	309440	或者数据中台也好
309440	311520	负责去介入各式各样不同类型的数据
311520	312960	当然这一块开发
312960	314640	其实是整个项目里面来说
314640	315920	应该是非常简单的一块功能
315920	318640	因为无非就是去验证各个不同渠道的
318640	322140	验证各个不同渠道的这样的一些数据的情况
322140	324660	然后再来进行一个开发
324660	326740	然后我们现在我们看一下
326740	329120	因为我现在是连接的是远程的服务
329120	330980	所以MySQL是起动不了的
330980	331880	因为我本地没做MySQL
331880	333700	但其他的数据是能看到的
333700	333980	对不对
333980	336340	就很多很多各式各样数据
336340	338980	你可以去查询各个不同类型的字段
338980	339300	对吧
339300	340820	它各个不同类型的曲子等等等等
340820	343180	那首先呢我们其实是在需要为整个系统呢
343180	346660	需要去维护一个完整的数据的中台这样的功能啊
346660	348520	或者是数据存储这样的功能啊
348520	349960	当然对于一些企业的应用场景来说
349960	350880	它可能还会涉及到一些
350880	352700	比如说数据的这样的一个权限啊
352700	354460	查询的这样的权限等等等等
354460	356360	当然这个数据资产的管理啊
356360	358500	一方面你是需要去设置一些
358500	359780	比如说远程的麦斯克连接
359780	361540	或者你自己本地导入一些这个数据
361540	362900	然后同时它还会涉及到一些
362900	364960	比如说我们在实际在进行数据分析的时候
364960	366920	中间啊状态我们提取
366920	368480	或者说临时存储的一些数据
368480	370160	或者说一些数据结论等等等等
370160	372440	统一都是从一个功能入口
372440	373980	来进行一个统一的这样的维护
373980	375660	这里能看到什么数据资产
375660	376920	服务项目
376920	378060	多少行数据
378060	380020	本地的数据的规模等等
380020	382080	这个数据其实还是一个比较大的
382080	383480	一个数规模的数据
383480	384860	毕竟有300多万行的数据
384860	385100	对吧
385100	386820	还是一个比较大的数据
386820	387920	然后这个数据
387920	389160	我们在课程里面
389160	390380	因为是为了做这个项目
390380	391140	来进行一个测试
391140	392500	所以它是分布在
392500	393320	什么MySQL
393320	394260	CircleLite
394260	394900	Excel
394900	395420	CSV
395420	397220	这个四种不同类型的这个数据库里面
397220	398980	四种不同类型的数据载体里面
398980	400400	所以我们可以去给它打散
400400	402820	那么我们课程里面设计的这四个数据载体
402820	404620	应该是非常通用的这四个数据载体
404620	405200	除此之外呢
405200	408700	你还可以去考虑拓展连接更加复杂的一些数据员
408700	409520	也是都是ok的
409520	410140	这是第一个
410140	411080	那么第二个呢
411080	413460	是对于现在的这个数据分析系统来说
413460	415640	你或多或少总得给它整一些
415640	416760	这个技能系统
416760	417380	对不对
417380	418920	那么什么叫做这个数据分析
418920	419880	这个技能系统
419880	421960	我们给大家看一下我们实际对话的过程当中
421960	425840	那么我们实际上在进行具体的对话的时候
425840	427660	那你需要来进行数据分析
427660	427940	对吧
427940	431220	那有很多很多需要来进行分析的
431220	435760	需要来进行分析的一些事项
435760	439100	那么有的时候你可能会偏好某一些分析的流程
439100	441860	分析偏好某一些可视化这样的方式
441860	444340	或者你本来你们公司来进行数据欣喜
444340	446840	或者提取特定的这业务指标
446840	448900	可能就有具体的一些领域这样的知识
448900	449220	对不对
449220	450240	那这些东西的话
450240	452240	怎么样灌输给当前的数据分析系统
452240	453960	其实我们可能考虑的
453960	455960	就通过SGU这样的方式来去告诉
455960	457400	我们当前的数据分析系统
457400	459060	我们在不同环节的时候
459060	460700	到底需要做哪一些事情
460700	461080	对不对
461080	461960	可视化的时候
461960	465880	往往都是采用什么样的图片
465880	467340	来进行绘制
467340	468000	对不对
468000	470060	然后还可以选择
470060	471720	其他的什么柄图
471720	475140	热力图等等
475140	478160	各样的图片来进行呈现
478160	479220	那么总之就是
479220	479920	我们其实
480000	486000	那么总之我们其实很多时候在先分析的时候都会涉及到非常具体领域里面的特殊的判断。这些东西都可以通过Skill来进行完成。
486000	491500	更别谈比如说我们后期还需要来围绕数据报告,需要去生成对应的数据报告。
491500	492780	那么生成数据报告的时候
492780	495540	更是你数据报告里面需要有哪些分析的维度
495540	495840	对不对
495840	499000	它需要有哪一些特定的这样的指标的统计
499000	501600	然后如何去解读一些我们本身数据分析的过程当中
501600	502760	可能涉及到行业的黑化
502760	504660	那这东西其实都属于一个分析统里面
504660	506600	它必须要去具备一些这样的功能
506600	509960	那这东西当然都是通过这一系列的Skill来去完成
509960	512460	所以我们这里其实是预制了很多的
512460	513380	也没有很多
513380	515840	就总共是内置了4个Skill
515840	517620	因为都是用Codex进行开发
517620	519540	所以我们这里是设置一些场景
519540	521980	然后是设置了4个不同类型的Skill
521980	524800	那么它包括比如说生成一些数据摘要
524800	527700	包括数据的检查
527700	529860	包括去检查一些异常值
529860	531700	包括老外进行数据分析报告等等
531700	534980	但实际上我们说在一个数据分析的完整流程里面
534980	537020	像实际在进行业务的过程当中
537020	540240	它需要涉及到的阶段其实非常非常多
540240	543160	可能会有比如说前期的像数据清洗
543160	543880	对不对
543880	546260	包括再往前比如说可能要进行数据探索
546260	548880	然后很有可能还需要来进行一些
548880	550620	数据指标的这样的计算
550620	552680	需要来进行一些可视化的分析
552680	554700	然后到后期建模的时候
554700	555680	可能还会涉及到一些
555680	558480	比如说特征的增强
558480	560400	或者特征工程的一些操作
560400	561840	或者模型融合的一些操作
561840	563880	然后在实际机器建模的过程当中
563880	565980	还会涉及到一些比较复杂的
565980	568940	一些机器学习的算法
568940	569540	对不对
569540	571020	一些集成算法来进行
571020	572720	更加复杂的机器学习的建模
572720	575000	甚至后期可能还需要模型融合相关的操作
575000	578680	因为其实我早年刚大学毕业的时候实际上就是做数据分析
578680	580180	是做大数据相关的工作
580180	582420	所以这一整个流程其实非常长
582420	585700	其实所有流程里面其实都可以固化一些skills
585700	586840	对不对换当线系统里面
586840	590260	然后在我们接下来分析的每一个流程的每一个环节里面
590260	592720	我们就可以自由的来进行一个切换
592720	593680	和来进行个选取了
593680	594480	那么除此之外
594480	597480	我们这里可能还有一些系统方面的一些设置
597480	601100	对于一个像我们刚才这样的一些基本功能的agent来说
601100	603860	你可能需要有比如说设置的模型的apir
603860	605140	设置这个沙盒环境啊
605140	608200	这个沙盒环境主要是给我们的python代码的进行运行的时候
608200	609460	单独创建的一个
609460	612340	本地的一个这个沙盒环境
612340	613860	那么这个沙盒环境其实主要是
613860	615900	为了去隔离你当前运行的程序
615900	618100	可能会对原始的数据造成一些不好的这个影响
618100	619520	在说建在这个沙盒环境
619520	621900	那比如说还有什么连接本地的这个MySQL
621900	622460	对不对啊
622460	625220	你这里肯定还是需要去围绕这个本地的这个MySQL
625220	627320	来进行个连接来进行验证等等等等
627320	628460	这都是需要的
628460	630140	然后还有一些这个数据安全
630140	631160	这个安全措施呢
631160	633320	其实是我们可以自己来进行一些设置的
633320	634800	比如说我们数据库只读
634800	636760	这个权限当然你可以自己放宽了
636760	638800	然后什么最小上下文的披露
638800	640400	什么CPU脚本沙盒
640400	642160	这些东西是你可以来进行设置的
642160	645760	然后同时还有关于当前整个的数据集的一个概览
645760	647580	以及还有些界面外观
647580	650940	界面外观其实你就可以任意来进行选取了
650940	654140	我们这里其实内置了很多不同类型的页面的外观
654140	654880	这个页面外观
654880	656380	其实你可以随便
656380	658360	你可以自己
658360	660200	我们用一些webdesign这个方式
660200	661340	来进行设计啊
661340	662660	这个其实完全没有什么问题的
662660	664560	那实际我们在进行使用的时候
664560	666060	这个项目到底有哪一些功能呢
666060	666980	这大家可以看到好
666980	667760	到底有哪些功能啊
667760	668360	当然我们这里
668360	670560	对于整个的系统架构来说
670560	672540	现在当代的这个AI数据分析的
672540	674200	这样的一个体系的这个设置啊
674200	676060	都是我们刚刚所看到什么数据资产啊
676060	677120	这个Skills中心啊
677120	678340	这种写其他是一套
678340	680300	跨越项目的维护的一个
680300	682220	综合的这样的一个这个设置
682220	683700	而我们接下来每一次对话
683700	685720	相当于是开启了一个新的数据分析项目
685720	686320	是这么一回事
686320	688320	比如说我们这一项面点新建数据分析
688320	692740	那么它马上我们就相当于是获得了一个全新的数据分析这样的空间
692740	694400	然后你加拿就可以连接数据源
694400	696540	你可以自己去选取一些数据源
696540	699520	你也可以去读取MySQL里面的数据源
699520	700680	也都是OK的
700680	703400	这里面其实你可以去选择连接各式各样的数据源
703400	705440	然后接下来我们就可以开始进行对话了
705440	710480	当然上面你可以去选择一些项目的数据
710480	712900	然后同时你也可以选择一些分析的工具
712900	715220	这些分析工具其实指的是一些分析的skill
715220	719020	然后接下来我们说你就可以开始来进行对话了
719020	720960	是这么样的一个情况
720960	724480	那我们上面其实有一组完成的一组比较复杂的对话
724480	726440	大家可以看直接对话这样的效果
726440	729860	那么每一个对话就是一个单独的我们分配了这个数据
729860	735240	分配了这个sql来进行运行的一个完整的agent运行时这样的一个项目
735240	735540	对不对
735540	739460	然后当然我们这个项目底层是使用deep seek
739460	743700	这个模型deep seek flash这个模型来进行的底层的响应
743700	747320	然后同时我们底层的架构是使用Deep Agents
747320	751960	就LongChainDeep Agents来进行的底层的这样的一个agent运行时的这样的搭建
751960	753260	包括工具调用
753260	755860	包括一些系统设置
755860	757060	包括Skew加载
757060	758120	包括跨线程记忆
758120	758800	包括持有机
758800	763660	都是通过Deep Agents来完成的开发
763660	765580	那么具体我们说它里面有哪些功能
765580	767380	大家可以看一下它是怎么样进行对话的
767380	768880	这里先随便说两句
768880	771480	然后接下来就开始确认我们当前这个数据资产
771480	773840	那么它实际上是一个
773840	776880	Agentic数据分析这样的流程
776880	780640	也就是说它是会根据当前用户这样的需求去判断
780640	785100	我们现在是不是需要从我们当前的数据资产里面去盘点某些数据
785100	786680	然后再来进行回复
786680	787960	是这么样的一个情况
787960	792820	那我们先让它这里面就找了一些分析的思路
792820	796820	什么旅约体验
796820	798100	什么客户口碑
798100	800240	交叉归因和建议等等
800240	803200	就是说我们现在分析思路行不行
803200	804320	我们让他进行分析
804320	805260	他给我们提了一个分析思路
805260	807740	然后分析前去我们拍板的三件事情
807740	809600	然后接下来OK我们就跟他说
809600	810920	他就可以开始来进行分析了
810920	812500	然后具体分析的过程当中
812500	815180	其实他也会他会进行一些
815180	816760	比如说字段的提取对不对
816760	818840	各式各样的字段的提取
818840	820960	但有些简单的字段你可以看
820960	824000	直接看比如他去找一些核心的指标
824000	824300	对不对
824300	826960	定单最多的这样的商品等等
826960	829020	当然也会有一些比如说简单的
829020	830980	什么月度收入与履约分析趋势
830980	834400	那么这里它其实是通过交叉的各个不同维度去筛选出一张表
834400	837140	然后这个表其实在我们当前这个系统里面
837140	840400	我们是给大家单独集成了一些e-chats的这样的一些工具
840400	843580	这个e-chats其实也是我们在进行AI数据分析的过程当中
843580	846080	经常会要用到的一个非常核心这样的功能
846080	847800	那么它其实就允许对不对
847800	851120	有这样的一个一系列的各式各样交互的这个
851120	853200	交互的这样的这个效果
853200	855340	我们就可以在里面能够去看到了
855340	857720	这个是e-chats的这样的一些这个功能
857720	862860	然后它是允许我们去根据选取不同的指标
862860	864760	然后去选取不同这样的图片
864760	867740	然后来进行实时的数据的这样的生成
867740	870960	然后其实上面每一步都它执行的一些过程
870960	872540	比如说它先提取了一个指标
872540	874440	然后在我们对话列表里面
874440	876660	我们通过这些结构化输出这样的方式
876660	879280	让它去输出一个比如说核心指标
879280	881560	某一个特定类型这样的一个message
881560	884600	然后我们的系统读取到它特定类型的message之后
884600	887000	在前端渲染的时候就会使用这HS
887000	887940	把它渲染成这个样子
887940	888580	是这么一回事
888580	890120	然后接下来比如说
890120	891640	它又提取了一组数据
891640	893800	那么前端又实时的把它渲染成
893800	894880	这样的一个表格
894880	895960	可以供我们来进行操作
895960	897000	像这样的渲染
897000	898160	这样的功能
898160	899600	也是现在就比如说
899600	901300	我们使用这个Cloud Cowork
901300	904000	或者是使用这个ChatGPT的这个Sheet
904000	904960	这样的一些这个系统
904960	906020	你发现它也是
906020	907780	类似这样的一个执行的思路
907780	909660	这也是现在当代AI数据分析的
909660	911280	agent开发的过程当中
911280	914420	一个提升用户观感的一个小技巧
914420	915260	一个小技巧
915260	915980	就这么一回事
915980	918100	然后他又提取各式各样的东西
918100	919480	然后在我们系统里面
919480	921280	他还有就比如说有一些
921280	924720	能够去追溯我们原来的数据
924720	926680	整个生成的血脉这样的过程
926680	928520	关于像什么数据血缘这样的追溯
928520	929480	这个其实也是现在
929480	930720	还是进行数据分析的时候
930720	932120	有一个非常时髦的一个概念
932120	933000	这个血缘追溯
933000	934200	其实一个是为了关联分析
934200	937020	一个是为了确认我们当前的本身数据
937020	939580	提取结果这样的可信度
939580	940780	这样的一些功能
940780	943380	去进行追溯进行关联检测等等
943380	946700	这里他就点一下就可以进来
946700	948980	就可以看到他所谓的产物科学源
948980	950420	相关这些东西了
950420	952060	我们不管我们继续看
952499	967499	請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字。請保持中文字
967499	970499	多维度的一个这个啊 多维度的这个表格分析啊
970499	973299	就是一个多维度的这个指标分析啊
973299	975699	然后他呢 实际上是提取各个不同维度啊
975699	976899	然后来然后来进行分析啊
976899	980099	只不过呢 我们他所有提取的各个维度数据在前端渲染的时候呢
980099	983499	都给他渲染成了这个啊 大家现在看到的啊
983499	986099	这个呃 一些图表的这样的这个模样啊
986099	986699	是这么一回事啊
986699	989799	所以这里面其实很多很多很多的一些指标的一些这个分析啊
989799	992799	所有这个指标都可以提取摘要啊 表格呀 图片呢
992799	995499	都是ok的啊 有很多的一些这个分析啊
995499	999559	然后同时我们最后其实还有关于什么软投票模型
999559	1000999	这个其实是一个建模分析
1000999	1003959	我们实际上是让它来进行模型融合相关的分析
1003959	1004779	然后等等等等
1004779	1006379	当然我们在实时运行的过程当中
1006379	1007879	我们其实还给它了一些功能
1007879	1009759	就是这里面在进行对话的时候
1009759	1013839	同时你可以在右边去比如保存一些数据结果
1013839	1015379	这里你可以实时来进行保存
1015379	1015919	其实没有什么问题
1015919	1019339	同时它还会生成一个可视化的报告
1019339	1022339	里面会综合我们现在所有的这些结论
1022339	1026019	然后最后生成一个完整的数据分析的报告
1026019	1027719	然后同时数据分析的报告
1027719	1031159	也是可以直接生成HTML来进行本地的保存的
1031159	1033919	这是我们当前的整个agent一个基本功能
1033919	1035559	当然了解这个基本功能之后
1035559	1037039	其实比较重要的是我们需要看
1037039	1040279	关于整个系统它的架构是如何实现
1040279	1043579	它的架构是怎么样来进行完整的设计的
1043579	1046059	那么对于我们当前这个系统来说
1046059	1047579	OK我们给大家放大一下
1047579	1048319	给大家看一下
1048319	1052279	对我们当前的系统的架构来说
1052279	1054899	那基本上是这么几个方面
1054899	1056479	大家可以先来看一下
1056479	1059439	当然首先大家这个之后
1059439	1060379	如果拿到这个项目的话
1060379	1063199	其实是能够看到它完整的一个架构的这个列表的
1063199	1066639	那首先它肯定是流失对话的这个基本的这个工具台
1066639	1069279	然后呢它是这个fastfpi跟sse的网关
1069279	1070819	因为我们本来是本地的这个部署
1070819	1072319	那这里正好给大家看一下
1072319	1074319	我们实际上在进行这个
1074319	1076539	在进行agent的开发过程当中
1076539	1078539	当我们已经就比如说
1078539	1080299	在这个看到一个成熟的这个项目
1080299	1081499	你可以从哪些角度去看
1081499	1082639	它底层的这样的架构
1082639	1084839	当然首先我们是对话切入的
1084839	1085659	这样一些功能
1085659	1088199	然后就是我们整个Fast API后端服务
1088199	1090479	来进行封装的这样的一个功能模块
1090479	1091799	和SSE的网关
1091799	1093799	然后比较重要的是
1093799	1096059	我们现在的agent运行时的这样的编排
1096059	1097199	那么agent运行时
1097199	1098879	这里我们其实是采用的是
1098879	1100879	Deepseek V4 Flash这样的一个模型
1100879	1101199	对不对
1101199	1102059	然后来了
1102059	1105079	OpenAI的ChatComplations API作为底层
1105079	1106679	Sorry Responses API
1106679	1108739	作为底层来进行一个基础功能
1108739	1109599	这样的响应
1109599	1110659	然后同时
1110659	1115619	整个的编排是用Deep Agents来进行的编排
1115619	1119859	所以它就会允许我们按照意图来进行工具调用
1119859	1121859	然后同时也可以加载这个Skill
1121859	1125039	这两块功能其实在实际开发过程当中
1125039	1126199	并没有那么的复杂
1126199	1128659	就比如说我们关联一些工具和关联一些Skill
1128659	1130879	其实并没有那么的复杂
1130879	1134239	核心原因是因为对于像LongChain的Deep Agents来说
1134239	1137959	大家可能之前没有看过我们那期Deep Agents的公开课
1137959	1139819	那么对于Deep Agents来说
1139819	1141259	这功能其实都是内置功能
1141259	1142999	你其实只需要几行代码
1142999	1149339	然后去给它写好一些对应的一些skill
1149339	1150999	然后在进行读取的过程当中
1150999	1153099	把这个skill就像工具一样给它读进来
1153099	1155099	然后它就可以加载这样的一些skill
1155099	1157439	这些其实并不会特别的复杂
1157439	1159619	然后比较复杂的其实是
1159619	1161079	关于我们在进数据分析的时候
1161079	1162699	你需要去梳理我们当前系统
1162699	1164039	到底需要哪些功能
1164039	1166059	这一点其实也是现在
1166059	1167179	就是我们经常去讨论
1167179	1168419	比如说像FDE对不对
1168419	1170259	前沿部署工程师
1170259	1171519	我们经常说FDE
1171519	1173159	FDE这个难在哪呢
1173159	1174499	其实不一定是难在
1174499	1176759	说我们要去完成Agent开发
1176759	1179319	其实反而很多FDE的场景下
1179319	1180639	Agent本身的开发难度
1180639	1181459	其实是并不大的
1181459	1183259	然后FDE最难的地方
1183259	1183859	可能在于说
1183859	1185879	它怎么样结合业务去分析
1185879	1186759	我们当前业务到底
1186759	1188039	需要达到哪些目标
1188039	1189879	然后合理的去适配一条
1189879	1191979	最为稳健这样的一个开发方案
1191979	1192979	然后去解决这样的问题
1192979	1194759	比如说拿到数据分析这样的场景
1194759	1195719	它就非常典型了
1195719	1196119	对吧
1196119	1196879	你就可以去分析
1196879	1197419	关于说
1197419	1199179	我们这个数据分析
1199179	1201479	到底需要实现哪一些功能
1201479	1203859	就比如说多元数据接入
1203859	1204579	这个得有
1204579	1206379	然后什么数据
1206379	1208179	只读的数据查询引擎
1208179	1209819	这个查数的功能肯定是要有
1209819	1212579	然后像什么数据清洗和特征工程
1212579	1213799	然后包括数据探索
1213799	1214719	数据可视化分析
1214719	1216019	这东西肯定是要有的
1216019	1216419	对不对
1216419	1217159	这就是一块功能
1217159	1219399	还有什么异步训练精神管道
1219399	1220419	所谓异步训练
1220419	1222239	其实主要指的是一些画图的工作
1222239	1224019	和机器学习建模预测的一些工作
1224019	1225779	然后机器学习和模型融合
1225779	1226679	这个肯定也是要有的
1226679	1229139	我们需要很多时候需要围绕一些数值来进行预测
1229139	1229399	对不对
1229399	1230399	然后出分析报告
1230399	1232539	这条链路基本上就是我们现在
1232539	1234799	其实不仅仅是我们当前项目这么规定的
1234799	1237199	其实现在很多的一些agent开发
1237199	1238839	很多的一些这个数据分析项目
1238839	1240479	基本上也是按照这样的一个链路
1240479	1242699	来规划我们现在整个模块核心需要的功能
1242699	1243999	那么有了这功能之后
1243999	1244599	你会发现
1244599	1245939	那这些功能如何实现
1245939	1246959	基本上就是两层
1246959	1248779	第一层我们说底层
1248779	1251639	你需要有一些基础功能层作为它的支撑
1251639	1252999	比如说你要有本地的数据库
1252999	1253599	对不对
1253599	1255839	你需要有这个项目隔离仓
1255839	1257339	和这个血缘关系的这个梳理
1257339	1259379	你需要有什么这个CircleLite
1259379	1261339	去存储每一个数据集的这个原数据
1261339	1262879	你还需要有独立项目空间和文件
1262879	1265479	这东西其实是怎么说呢
1265479	1269419	就是这东西倒不一定你需要跟Codex去说
1269419	1271359	他其实很多时候自己能够梳理清楚
1271359	1273059	就是你需要去跟他讲的更多的
1273059	1274479	其实是上面这一层
1274479	1277059	我们到底需要有哪一些业务的这个指标
1277059	1278199	以及这所有的业务
1278199	1280739	他需要完成到什么样的这个程度
1280739	1282779	就比如说OK我们的这个分析报告
1282779	1283959	写的什么程度
1283959	1285439	然后我们的这个一步训练进程
1285439	1288119	他需要做到什么样的程度等等
1288119	1291399	然后至于说有了这些程度之后
1291399	1294779	下面的很多的一些功能
1294779	1297739	其实都可以由当前的agent或者kodex
1297739	1298479	自己来去完成
1298479	1299399	这个其实问题不大
1299399	1302319	但是确实需要我们人工来进行讨论和完成
1302319	1303639	实际上是上面这些
1303639	1306279	主要是agent的智能编排程
1306279	1309239	就是比如说我们比如说模型
1309239	1312279	或者最小的工具路由
1312279	1314439	或者sgills这样的披露等等
1314439	1316939	你需要有一整套完整的技术选型
1316939	1320139	确定是需要你需要采用哪一组技术来进行开发
1320139	1323339	OK 差不多是这样的一个基本的架构
1323339	1325819	所以我们说从架构当中
1325819	1327019	你也能够看得出来
1327019	1330019	基本上我们现在在进行agent开发过程当中
1330019	1332039	其实比较重要的第一点
1332039	1334259	其实倒不一定怎么说
1334259	1337919	当然选取一个合适的工具和模型也很重要
1337919	1339139	但是其实更加重要的是
1339139	1340579	你需要非常清楚的知道
1340579	1343299	我们当前的业务的意图是什么
1343299	1347959	那也就是说我们现在到底需要解决哪一些这个问题啊
1347959	1348559	然后呢
1348559	1353059	到底有哪一些这个非常关键的这样的一些这个场景啊
1353059	1353999	等等等等啊
1353999	1354999	这些呢可能是
1354999	1355259	哎
1355259	1355959	放大一下
1355959	1358859	那么这些呢可能是首先我们需要确认的啊
1358859	1359519	然后呢
1359519	1363699	接下来比较重要的是我们可能就需要讨论清楚
1363699	1368339	关于我要去解决当前这样的一些业务的难题啊
1368339	1368539	哎
1368539	1370939	你得做好哪一些技术这个选型
1370939	1371559	对不对啊
1371559	1373479	就是选型这块肯定也是我们需要去做的啊
1373479	1375739	那么然后再往下才是啊
1375739	1377079	你用着这个codex啊
1377079	1379599	你用着这个这个deep seek啊
1379599	1380499	这样的这个模型啊
1380499	1381879	再来进行一轮一轮的开发啊
1381879	1382419	是这么一回事
1382419	1382859	好
1382859	1386379	那么了解了我们当前整个系统
1386379	1389759	那完整的一些基本的功能之后啊
1389759	1390539	那么接下来啊
1390539	1392039	就我们需要来看一看啊
1392039	1393359	他到底应该呃
1393359	1395379	怎么样来进行开发和底层的这个思路啊
1395379	1396032	到底是什么样的呢