Multi-Agent Workflow Framework

📋 项目简介

本项目是一个多Agent协作实践框架，旨在探索如何利用AI驱动的智能协作机制，重塑数据分析与业务研发的工作方式。通过构建一套高效、可控、透明、可复现的多Agent协作分析流程，实现从业务框架制定到脚本执行、结果审阅的全流程自动化协作。

🎯 核心价值

• 规范化协作：通过明确的角色分工，实现设计—执行—审阅—复盘的完整闭环
• 文档驱动：以Markdown为统一信息载体，确保上下文一致、过程可追溯
• 安全可控：Agent仅生成脚本，不访问真实数据，执行由人工完成
• 知识沉淀：每个环节产出均有留痕，形成可复用的企业级知识模板

🏗️ 架构设计

角色定义

工作流程

┌─────────────────┐
│ 业务流程框架制定 │ (DataAnalyst)
└────────┬────────┘
         │
┌────────▼────────┐
│ 阶段性方案制定   │ (DataAnalyst)
└────────┬────────┘
         │
┌────────▼────────┐
│ 脚本编写与执行   │ (ScriptWriter + Human)
└────────┬────────┘
         │
┌────────▼────────┐
│ 一致性审阅      │ (Reviewer)
└────────┬────────┘
         │
┌────────▼────────┐
│ 阶段分析与优化   │ (DataAnalyst)
└────────┬────────┘
         │
┌────────▼────────┐
│ 最终汇总与沉淀   │ (DataAnalyst + Human)
└─────────────────┘

✨ 核心特性

🔒 数据安全与控制机制

📊 流程特征

1. 文档驱动：所有Agent通过Markdown交互，信息载体统一、上下文一致
2. 角色闭环：设计—执行—审阅—复盘全流程分工明确、职责独立
3. 安全可控：Agent不访问真实数据；执行由人工完成；结果可追溯
4. 可复用性高：每个环节产出均有留痕，形成标准模板与知识沉淀

📋 环境要求

• Python: 3.8 或更高版本
• 依赖包:
  • pandas >= 1.5.0
  • numpy >= 1.23.0
  • openpyxl >= 3.0.0
  • matplotlib >= 3.6.0 (可选，用于可视化)

🔧 安装

1. 克隆项目

git clone https://github.com/Ing-la/multi-agent-workflow-framework.git
cd multi-agent-workflow-framework

2. 安装依赖

pip install -r requirements.txt

3. 验证安装

python --version  # 应显示 Python 3.8+
pip list | grep pandas  # 应显示 pandas 版本

🚀 快速开始

项目结构

.
├── README.md                          # 项目说明文档
├── AI实践.md                          # 主实践文档
├── Appendix/                          # 子文档目录
│   ├── 框架方案.md                    # 业务框架方案流程
│   ├── 2.3流程复现.md                 # 完整流程复现示例
│   ├── 数据分析师agent阶段汇总.md     # 阶段汇总文档
│   └── ...                            # 其他相关文档
├── high-value-customer-product-analysis-demo/  # 实践案例Demo
│   └── README.md                      # Demo说明文档
└── Picture/                           # 图片资源目录
    └── ...                            # 流程截图与示意图

使用指南

1. 阅读主文档：从 AI实践.md 开始，了解整体框架设计
2. 查看实践案例：参考 high-value-customer-product-analysis-demo/README.md 了解完整的数据分析实践案例
3. 查看流程复现：参考 Appendix/2.3流程复现.md 了解具体执行过程
4. 学习框架制定：参考 Appendix/框架方案.md 了解业务框架制定逻辑
5. 理解阶段汇总：参考 Appendix/数据分析师agent阶段汇总.md 了解多阶段协作机制

📚 文档导航

主要文档

• AI实践.md - 完整的框架说明与实践总结
• b6高价值客户产品分析实验记录 - 完整的数据分析实践案例
• 框架方案.md - 业务分析框架的制定逻辑与规范化方向
• 2.3流程复现.md - 从方案生成到脚本执行、结果审阅的全过程展示
• 数据分析师agent阶段汇总.md - 各阶段结果汇总与业务框架维护过程
• Prompt/Rule工程实践 - Agent角色规范的模板与实践参考

详细文档

• 实践案例：更多详细的实验记录、脚本、审阅报告等，请查看 [high-value-customer-product-analysis-demo/]目录
• 框架文档：更多详细的执行文档、脚本审阅报告、分析结论等，请查看 [Appendix/] 目录

🎓 经验与思考

1. AI的知识储备远超个人经验，应充分利用
2. 人工控制与Agent放权需平衡，过度干预会限制AI能力
3. Rule即培训机制——为Agent制定明确规范，成本远低于培训员工
4. Agent也会"幻觉"：输入不完整时会自行补全；规范流程可降低风险
5. 知识库建设是核心资产：流程规范与经验沉淀可转化为可复用智能资产

🚀 实践案例

Ops Risk Analytics - 完整应用开发案例

Ops Risk Analytics 是一个使用本框架方法论开发的完整数据分析自动化应用，展示了AI辅助开发在实际项目中的成功应用。

项目特点：

• ✅ 完整端到端实现：从数据处理、指标计算、可视化到LLM分析、报告生成、OSS上传、飞书推送的完整流程
• ✅ 前后端架构：包含GUI界面和命令行两种使用方式
• ✅ 高效开发：使用Cursor等AI协作工具，在探索AI辅助开发的过程中，3天内完成从需求分析到系统上线的完整开发周期
• ✅ 生产可用：已部署使用，支持月度自动化分析报告生成

与本框架的关系：

• 本项目（Multi-Agent Workflow Framework）提供方法论和协作框架
• Ops Risk Analytics 展示了方法论在实际项目中的应用效果
• 两者形成从"如何思考"到"如何实现"的完整链条

💡 如果您想了解如何将AI协作方法论应用到实际项目中，欢迎查看 Ops Risk Analytics 项目。

🗺️ 落地路径

短期目标：培养标准化Agent

按业务场景定制Rule，明确输入输出规范，建立统一模板，形成可直接协作的"虚拟员工"。

长期目标：构建企业级智能Agent体系

建立公司级知识库，统一语义框架与上下文，优化Agent决策逻辑，让Agent具备企业经验与持续学习能力。

💬 反馈与交流

本项目为实践案例分享，欢迎：

• ⭐ Star 本项目
• 💡 分享您的实践经验和改进建议
• 🐛 提交 Issue 反馈问题或讨论