日报 AI 自动化框架

面向非技术用户的端到端日报自动化系统 —— 丢入数据源，自动生成日报，飞书推送到群。

项目简介

这是一个 AI Agent + Workflow 混合架构 的日报自动化框架。它通过 LLM 驱动的数据分析师 Agent 理解 Excel 面板结构，利用插件化管线自动完成数据粘贴、公式刷新和日报生成，最后通过飞书 Webhook 推送分析结果。

日常使用只需两步：把 CSV 数据源丢进文件夹 → 双击运行 → 确认 → 完成。

功能特性

三个场景，覆盖全流程

场景	入口	频率	说明
AI 入职培训	`onboard.py`	一次性	自动扫描 Excel 结构 → Agent 理解面板逻辑 → 对话确认 → 生成管线配置
日常工作流	`main.py`	每天	沙箱安全预览 → 自动诊断 → 确认后正式运行 → 飞书通知
Chat BI	`chat.py`	随时	自然语言数据查询，Agent 自动理解意图并分析数据

架构亮点

Agent + Workflow 混合架构：ReAct 循环驱动的智能决策 + 固定管线的高效执行，通过文件系统握手解耦
沙箱安全机制：正式运行前先在临时副本上试跑，AI 分析和飞书发送均被拦截，确认后才操作真实文件
智能粘贴匹配：三层匹配策略（表头 Jaccard 相似度 → 文件名 glob → 数据形态），自动将 CSV 数据写入 Excel 对应 Sheet
Agent 自诊断：管线出错时自动收集诊断信息，Agent 交叉排查配置、数据源和 Excel 结构，定位根因并修复
插件化设计：管线步骤可插拔，只需继承 BasePlugin 并实现 run() 方法
多面板独立管理：每个面板独立目录、独立管线、独立配置，互不干扰

技术特性

支持 DeepSeek / 阿里百炼双 LLM 提供商，自动检测切换
win32com 真实刷新 Excel 公式 + openpyxl 读取数值（解决公式不计算问题）
三层记忆管理（会话热记忆 / 面板温记忆 / 运行冷记忆），不依赖向量数据库
全中文交互，Windows 终端 UTF-8 兼容

场景详细走读

场景 A：AI 入职培训（`onboard.py`）

新面板首次接入时运行，只需一次。用户将 Excel 和数据源样表放入 training_incoming/<面板名>/，运行后 Agent 自动理解面板结构并生成配置。

Phase 1 — 自动扫描（零交互）

系统自动打开 Excel，完成以下扫描：

扫描项	内容
Sheet 结构	所有 Sheet 的名称、行列数
公式解析	INDEX / MATCH / VLOOKUP / SUM / IF 等公式类型识别
公式链拓扑	Sheet 间引用关系图（谁引用谁）
列级映射	每列引用了哪个 Sheet 的哪列
表头提取	每个 Sheet 前 3 行的文字内容
公式密度	每个 Sheet 的公式占非空单元格比例
自动检查	#REF! 错误、空 Sheet、孤立 Sheet、分类矛盾

Phase 1.5 — 用户选表

系统列出候选监控表（公式密度 > 5% 或有引用关系的 Sheet），按公式密度降序排列。用户输入编号选择关注的监控表后，系统自动追溯公式链，过滤出相关 Sheet，忽略无关的旧版或废弃 Sheet。

[1] 门店目标达成(总)    | 200行x15列 | 公式密度 42% | 引用 3 个数据源
[2] 管理层绩效看板(南区) | 150行x12列 | 公式密度 35% | 引用 2 个数据源

请选择监控表（多选用逗号分隔，如 1,2）: 1

Phase 2 — Agent 理解与对话

Agent 获取过滤后的数据，通过 ReAct 循环逐步理解每个 Sheet 的角色：

Agent: 分析完成，以下是我的理解：

  [监控表] 门店目标达成(总) — 公式密度 42%，引用 3 个数据源，表头含"目标""实际""达成率"
  [数据源] 每日运营数据源 — 公式密度 2%，被监控表引用，表头为原始业务字段
  [数据源] LeadsBy店 — 公式密度 1%，被监控表引用

  是否有需要调整的？

用户: LeadsBy店 实际也是数据源吗？
Agent: 是的，它公式密度极低（1%），被监控表引用，表头是原始线索字段 → 确认为数据源 ✓

用户: 好，没问题了，保存吧
Agent: [调用 write_file] pipeline.json 已保存 ✓
      understanding_report.md 已保存 ✓
      入职培训完成！

产出物：

experiments/<面板名>/pipeline.json — 3 步管线配置
experiments/<面板名>/understanding_report.md — 面板理解报告

场景 B：日常工作流（`main.py`）

每天将新数据 CSV 丢入 incoming/，运行 python main.py。

Step 0: 门禁检查
  ├── 检查 pipeline.json 是否存在（不存在 → 提示先运行入职培训 → 退出）
  ├── 校验管线结构完整性
  └── 检查 监控面板.xlsx + incoming/ 目录存在

Step 1: 沙箱预演
  ├── 复制 监控面板.xlsx 到临时目录 sandbox_work/
  ├── 执行 3 步管线（全部操作临时副本）：
  │   ① excel_paster: 扫描 incoming/ → 三层匹配 → 写入沙箱副本
  │   ② excel_refresh_reader: win32com 刷新公式 → openpyxl 读取数值
  │   ③ ai_analysis_sender: 生成 mock 摘要 + 拦截飞书发送
  ├── 导出 _context.json（每步状态 + 耗时 + 中间数据）
  └── 展示沙箱摘要（粘贴结果 + AI 分析预览 + 飞书消息预览）

Step 2: 确认正式运行
  ├── 展示三维度摘要
  ├── 用户输入 y → 进入 Step 3
  ├── 用户输入 n → 退出（不写任何真实文件）
  └── 用户描述不满 → Agent 对话调整配置 → 重新沙箱

Step 3: 正式运行
  ├── 操作真实 Excel 文件
  ├── 真实 LLM 分析 + 飞书发送
  └── 展示最终结果

沙箱 vs 正式对比：

	沙箱模式	正式模式
操作文件	临时副本（sandbox_work/）	监控面板.xlsx（真实文件）
AI 分析	mock 摘要（不调 LLM）	真实 LLM 调用
飞书发送	拦截，记录但不发	真实发送
沙箱副本	y 确认后自动删除	无
用户确认	需要（Step 2）	无需（已确认过）

三种运行模式：

命令	行为
`python main.py`	列出所有面板 → 交互选择 → 沙箱 → 确认 → 正式
`python main.py pipeline.json`	指定面板 → 沙箱 → 确认 → 正式
`python main.py pipeline.json --live`	跳过沙箱，直接正式运行（定时任务用）

场景 C：Chat BI（`chat.py`）

随时通过自然语言查询面板数据。

启动: python chat.py <面板名>

Agent 自动加载上下文：
  ├── understanding_report.md → Sheet 角色和指标含义
  ├── pipeline.json → 数据源 ↔ Sheet 映射关系
  ├── 监控面板.xlsx 基本结构 → 有哪些 Sheet
  └── incoming/ 文件列表 → 原始数据源一览

对话示例：

用户: 广州南区新机会量前 3 的店铺

Agent: [理解：指标=新机会量，维度=广州南区，排序=降序取前3]
       [调用 read_excel(监控面板.xlsx, sheet="运营总览By店")]

       广州南区新机会量前 3 的店铺：

       | 店铺   | 新机会量 |
       |--------|---------|
       | 白云店 | 2,156   |
       | 天河店 | 1,234   |
       | 越秀店 | 987    |

用户: 白云店的线索转化率呢？

Agent: [理解：它=白云店，上一轮上下文连贯]
       [计算：线索转化率 = 试驾数 / 线索量]
       ...

       白云店线索转化率：34.2%（线索量 6,305 → 试驾数 2,156）

约束：只读，不写任何文件，不执行管线，不发飞书。

快速开始

环境要求

Python 3.10+
Windows（win32com 依赖 Microsoft Excel）
LLM API Key（DeepSeek 或阿里百炼，二选一）

安装

cd daily_report_automation
pip install -r requirements.txt

配置环境变量

在 daily_report_automation/.env 中配置：

# LLM（二选一）
DEEPSEEK_API_KEY=sk-xxxxx         # DeepSeek 直连
# 或
DASHSCOPE_API_KEY=sk-xxxxx        # 阿里百炼

# 通知
FEISHU_WEBHOOK_URL=https://open.feishu.cn/open-apis/bot/v2/hook/xxxxx

运行

# 第一步：入职培训（新面板，仅需一次）
python onboard.py

# 第二步：日常工作流（每天）
python main.py                    # 交互选择面板
python main.py pipeline.json      # 指定面板
python main.py pipeline.json --live  # 定时任务模式

# 随时：数据查询
python chat.py <面板名>

# 辅助：诊断修复
python -m framework.diagnose <面板名>

也可以双击根目录的 .bat 文件一键启动。

项目结构

AI自动化工作流/
├── README.md
├── .gitignore
├── AI入职培训.bat                  # 一键启动入职培训
├── ChatBI.bat                      # 一键启动 Chat BI
├── 工作流启动.bat                  # 一键启动日常管线
│
└── daily_report_automation/
    ├── requirements.txt
    ├── onboard.py                  # 场景 A：AI 入职培训
    ├── main.py                     # 场景 B：日常工作流
    ├── chat.py                     # 场景 C：Chat BI
    │
    ├── framework/                  # 核心框架
    │   ├── engine.py               # PipelineEngine：管线执行引擎
    │   ├── agent.py                # UniversalAgent：ReAct 工具调用循环
    │   ├── llm_client.py           # LLM 统一调用入口
    │   ├── plugin_base.py          # BasePlugin + StepResult
    │   ├── sandbox.py              # 沙箱安全机制
    │   ├── config.py               # 管线加载与校验
    │   ├── tools.py                # Agent 工具集（6 个工具）
    │   ├── prompts.py              # Prompt 工程（角色底座 + 场景指令）
    │   ├── scan_excel.py           # Excel 结构扫描
    │   ├── diagnose.py             # Agent 诊断修复入口
    │   └── logger.py               # 结构化日志 + 自动清理
    │
    ├── plugins/                    # 管线插件
    │   ├── excel_paster.py         # ① 扫描 + 匹配 + 粘贴
    │   ├── excel_refresh_reader.py # ② win32com 刷新 + 读取
    │   └── ai_analysis_sender.py   # ③ AI 分析 + 飞书发送
    │
    ├── onboarding/                 # 入职培训交互
    │   ├── display.py              # 终端 UI 渲染
    │   └── verify.py               # 7 项自动检查
    │
    ├── tests/                      # 单元测试
    │
    ├── experiments/                # 已配置的面板（场景 A 产出）
    ├── test_data/                  # 测试数据
    └── training_incoming/          # 新面板入职材料

数据模型

每个面板一个独立目录：

experiments/<面板名>/
├── 监控面板.xlsx              ← Excel 模板（含公式和格式）
├── pipeline.json              ← 3 步管线配置
├── incoming/                  ← 每日数据源投放目录
├── understanding_report.md    ← AI 理解报告
└── logs/                      ← 运行日志 + context 导出

配置与开发参考

管线配置（pipeline.json）

{
  "name": "<面板名>日报",
  "version": 2,
  "excel_path": "experiments/<面板名>/监控面板.xlsx",
  "steps": [
    {
      "id": "step1_paste",
      "name": "粘贴数据",
      "plugin": "excel_paster",
      "config": {
        "excel_path": "...",              // Excel 路径
        "source_dir": "experiments/<面板名>/incoming/",
        "match_by_header": true,          // 启用表头匹配
        "min_similarity": 0.4,            // Jaccard 最低相似度
        "source_sheets": ["Sheet1"],      // 数据源 Sheet 列表
        "patterns": {                     // 文件名 glob 规则
          "Sheet1": {"match": ["*关键词*"]}
        },
        "paste_regions": {                // 各 Sheet 粘贴区域
          "Sheet1": {
            "sheet_name": "Sheet1",
            "start_row": 2,               // 数据起始行
            "start_col": 1,               // 数据起始列
            "preserve_formula_cols": [],   // 保留公式的列
            "skip_header_rows": 1,         // 跳过表头行数
            "clear_before": true           // 粘贴前清空旧数据
          }
        }
      }
    },
    {
      "id": "step2_refresh_read",
      "name": "刷新公式并读取",
      "plugin": "excel_refresh_reader",
      "config": {
        "excel_path": "...",
        "timeout_seconds": 30,            // 刷新超时
        "sheets_to_read": [
          {"sheet_name": "监控表名", "range": "A1:Z99"}
        ]
      }
    },
    {
      "id": "step3_analyze_send",
      "name": "AI 分析并发送",
      "plugin": "ai_analysis_sender",
      "config": {
        "model": "deepseek-v3",           // LLM 模型
        "focus_metrics": ["指标1","指标2"], // 关注的核心指标
        "webhook_url_env": "FEISHU_WEBHOOK_URL",
        "title": "<面板名>日报"
      }
    }
  ],
  "error_handling": {
    "retry": {
      "max_retries": 2,                   // 全局重试次数
      "interval_seconds": 30              // 重试间隔
    },
    "skip_and_alert": ["step1_paste"],    // 出错不重试、记录后继续
    "pause_and_notify": []                // 出错立即停止管线
  }
}

step1_paste 建议列入 skip_and_alert：粘贴失败不阻塞后续刷新和分析步骤。

Agent 工具参考

Agent 通过 ReAct 循环自主决定何时调用哪个工具，最多 10 轮。6 个工具如下：

工具	入职	诊断	Chat BI	作用	限制
`scan_excel`	✅	✅	❌	扫描 Excel 结构（Sheet 分类 + 公式链 + 列映射 + 问题检测）	仅结构，不读数据
`read_excel`	✅	✅	✅	读取 Excel 指定 Sheet 和范围的单元格数据	结果超 4000 字符截断
`read_file`	✅	✅	✅	读取任意文本文件（CSV / JSON / MD / 配置）	结果超 4000 字符截断
`write_file`	✅	✅	❌	写入或覆盖文件，保存 pipeline.json 和 understanding_report.md	路径限制在项目目录内，不能写 .env
`Bash(sandbox)`	❌	✅	❌	沙箱验证修复，运行 `python main.py` 沙箱模式	不可加 `--live`，超时 120s
`search_files`	✅	✅	❌	在项目文件中搜索关键词	只读

插件开发指南

管线步骤由插件实现。所有插件继承 BasePlugin，位于 plugins/ 目录。

BasePlugin 接口：

class BasePlugin:
    def __init__(self, config: dict):
        self.config = config

    def run(self, context: dict) -> StepResult:
        """正式模式执行。必须实现。"""
        raise NotImplementedError

    def dry_run(self, context: dict) -> StepResult:
        """沙箱模式执行。默认等同 run()，有副作用的插件应覆写。"""
        return self.run(context)

StepResult 结构：

@dataclass
class StepResult:
    step_id: str        # 步骤 ID（如 "step1_paste"）
    step_name: str      # 步骤名称
    status: str         # "ok" | "skipped" | "error"
    data: dict          # 传给下游的数据
    error: str          # 失败原因（status=error 时）
    duration_ms: int    # 执行耗时（引擎自动填充）
    meta: dict          # 额外元信息

最小示例 — 创建一个新插件：

from framework.plugin_base import BasePlugin, StepResult

class MyPlugin(BasePlugin):
    def run(self, context: dict) -> StepResult:
        # 从 context 取上游数据
        upstream = context.get("step1_paste", {})

        # 执行逻辑
        result = do_something(upstream)

        return StepResult(
            step_id="my_step",
            step_name="我的插件",
            status="ok",
            data={"output": result},
        )

    def dry_run(self, context: dict) -> StepResult:
        # 沙箱模式：跳过副作用（如发送通知）
        return StepResult(
            step_id="my_step",
            step_name="我的插件",
            status="ok",
            data={"output": "[沙箱] 已拦截"},
            meta={"sandbox": True},
        )

注册插件（在 main.py 的 PLUGIN_REGISTRY 中）：

from plugins.my_plugin import MyPlugin

PLUGIN_REGISTRY = {
    "excel_paster": ExcelPaster,
    "excel_refresh_reader": ExcelRefreshReader,
    "ai_analysis_sender": AIAnalysisSender,
    "my_plugin": MyPlugin,  # 新增
}

context 数据传递约定：

context["step_id"] 和 context["plugin_name"] 均可取上游输出
引擎自动注入 context["sandbox_mode"]（bool）和 context["pipeline_name"]
插件自行约定输出 key，下游按 key 读取

架构设计深读

Agent + Workflow 混合架构

两个引擎互不调用、互不依赖，通过文件系统握手机制解耦：

       Agent 引擎                          Workflow 引擎
    ┌──────────────┐                   ┌──────────────┐
    │ ReAct 循环    │                   │ PipelineEngine│
    │ LLM 决策驱动  │                   │ 代码步骤驱动   │
    │ 灵活·有上下文 │                   │ 固定·可重复    │
    └──────┬───────┘                   └──────┬───────┘
           │                                   │
           │  写入文件                          │  写入文件
           │  pipeline.json                    │  *_context.json
           │  understanding_report.md          │  监控面板.xlsx（更新后）
           │                                   │
           └──────── 文件系统（互相读取）────────┘

	Agent 引擎	Workflow 引擎
执行模型	ReAct 循环（思考→行动→观察→再思考）	按序执行（遍历 steps 数组）
决策方式	LLM 驱动，自主选择工具	代码固定逻辑
适用场景	入职理解、诊断修复、数据问答	数据粘贴、公式刷新、日报生成
LLM 调用	多轮（最多 10 轮），tools 模式	单次（system + user），纯文本
temperature	0.1（推理稳定）	0.3（生成变化）

Agent ReAct 循环核心逻辑（framework/agent.py）：

Agent.chat(user_message):
  ① messages.append(user_message)
  ② while 未到上限（10轮）:
       response = call_llm(messages, tools=TOOL_DEF)
       if 是文本回复 → 返回给用户
       if 是工具调用 → 执行工具 → 结果追加到 messages → 继续循环
  ③ return "达到最大轮次"

常见轮次：Chat BI 1-3 轮，诊断 2-5 轮，入职 3-6 轮。

沙箱安全机制

沙箱通过三步保证"先试跑、再执行"：

Sandbox.setup()
  → 复制 监控面板.xlsx 到 sandbox_work/<uuid>/
  → 替换各步骤 config 中的 excel_path 为副本路径

PipelineEngine.run(steps, sandbox_mode=True)
  → 每个步骤调用 plugin.dry_run() 而非 plugin.run()
  → excel_paster: 写入沙箱副本
  → excel_refresh_reader: 刷新沙箱副本
  → ai_analysis_sender: 返回 mock 摘要 + 拦截飞书（meta.sandbox=True）

用户确认 y
  → Sandbox.cleanup() 删除副本
  → PipelineEngine.run(steps, sandbox_mode=False) 操作真实文件

握手协议：7 种文件的读写权限

文件	写入方	读取方	说明
`pipeline.json`	Agent（入职时）	Workflow（每次运行）、Agent（诊断/ChatBI 时）	配置快照，Agent 产出 → Workflow 消费
`understanding_report.md`	Agent（入职时）	Agent（诊断/ChatBI 时）	面板知识，Agent 自己消费
`*_context.json`	Workflow（执行导出）	Agent（诊断时）	运行记录，Workflow 产出 → Agent 消费
`diagnostic_package.json`	Workflow（出错时）	Agent（诊断时）	诊断包
`监控面板.xlsx`	Workflow（更新数据）	Agent（ChatBI 查询时）	Workflow 更新 → Agent 读取
`incoming/` 数据源	用户（投放）	Workflow（粘贴）、Agent（ChatBI 查询）	共享输入
`fixes.jsonl`	Agent（修复时）	Agent（诊断时）	修复历史

三层记忆管理

不依赖向量数据库，纯文件系统管理：

第 1 层：会话内（热记忆）
  存储内容: messages 列表（当前对话完整历史）
  存储位置: 内存
  生命周期: 会话结束即丢弃
  使用场景: Agent 多轮对话上下文连贯

第 2 层：面板级（温记忆）
  存储内容: understanding_report.md + pipeline.json
  存储位置: experiments/<面板名>/
  生命周期: 永久
  使用场景: Agent 启动时自动读取，了解面板知识和配置

第 3 层：运行级（冷记忆）
  存储内容: *_context.json + diagnostic_package.json + fixes.jsonl
  存储位置: experiments/<面板名>/logs/
  生命周期: 日志保留最近 20 个，自动清理旧日志
  使用场景: Agent 诊断时注入摘要，不作为 messages 注入

Prompt 工程：三层结构

┌─────────────────────────────────────┐
│  第一层：角色底座（共享，约 200 token）│
├─────────────────────────────────────┤
│  第二层：场景指令（入口装配，三选一）  │
│  含：流程引导 + CoT + Few-shot + 约束  │
├─────────────────────────────────────┤
│  第三层：上下文注入（动态，从磁盘读取）│
└─────────────────────────────────────┘

场景	角色底座	CoT	Few-shot	ToT（思维树）	硬性束缚
入职培训	✅	✅ 引导	✅ 2 例	—	❌
诊断修复	✅	✅ 引导	—	✅ 三路径并行	❌
Chat BI	✅	✅ 引导	✅ 1 例	—	❌
日报生成	—	—	—	—	❌

安全边界

操作	限制
`write_file` 工具	路径限制在项目根目录内，禁止写入 `.env` 和系统文件
`Bash(sandbox)` 工具	只能运行沙箱模式，禁止 `--live`，超时 120s
只读工具	结果超 4000 字符自动截断，防止 token 爆炸
管线正式运行	必须经过沙箱预览 → 用户确认后才能执行

错误处理与排障

三种错误策略

策略	配置项	触发条件	行为
自动重试	`retry`	全局，所有步骤出错	等 N 秒后重试，最多 M 次
跳过继续	`skip_and_alert`	列表中的 step 出错	不重试，记录 error，继续执行后续步骤
暂停管线	`pause_and_notify`	列表中的 step 出错	立即 raise RuntimeError，管线停止

配置示例：

"error_handling": {
  "retry": { "max_retries": 2, "interval_seconds": 30 },
  "skip_and_alert": ["step1_paste"],
  "pause_and_notify": []
}

建议将 step1_paste 列入 skip_and_alert：数据源为空或匹配失败时，粘贴出错不应阻塞后续的刷新和分析。

Agent 诊断流程

管线沙箱出错时，Agent 自动介入，采用思维树（ToT）三路径并行快速评估：

诊断流程：

  ① 快速评估（三路径并行判断优先级）
     A. 配置写错了？
        快速检查: pipeline.json 与 understanding_report.md 一致吗？
        → 不一致 → 高优先级
     B. 数据源变了？
        快速检查: incoming/ 文件名能匹配 patterns 吗？表头对得上吗？
        → 匹配不上 → 高优先级
     C. Excel 结构被改了？
        快速检查: scan_excel 结果和 understanding_report.md 一致吗？
        → 一致 → 基本排除

  ② 深入排查
     选择高优先级路径深入，不需要三条全跑

  ③ 输出诊断报告
     1. 发现了哪些问题
     2. 每个问题的根因
     3. 具体修复方案（哪个字段、当前值→新值）

  ④ 用户确认修复 → Agent 执行 → 重新沙箱验证

诊断入口：

# 交互模式（沙箱出错时 main.py 内触发）
python -m framework.diagnose <面板名>

# 也可以独立运行，对已有面板进行诊断

常见问题排查

症状	可能原因	检查方法
粘贴步骤报错	数据源文件名变了，pattern 匹配不上	查看 `incoming/` 文件名，对比 `pipeline.json` 的 `patterns` 配置
粘贴步骤报错	表头变了，Jaccard 相似度低于阈值	检查 CSV 表头是否与 Excel 对应 Sheet 表头匹配
读取结果为空	Excel 公式缓存过期	确保 `excel_refresh_reader` 步骤在粘贴之后执行
AI 分析不准确	指标配置有误	检查 `focus_metrics` 是否包含正确的指标名
Chat BI 查询不到数据	incoming/ 为空或监控面板.xlsx 未更新	先运行一次 `main.py` 更新面板数据
启动报错"请先运行入职培训"	pipeline.json 不存在	先运行 `python onboard.py` 完成入职培训

强制运行顺序

系统设计了严格的运行顺序，确保数据流完整：

入职培训 (onboard.py)
    ↓ 产出 pipeline.json + understanding_report.md
    ↓
日常管线 (main.py)  ← 门禁检查 pipeline.json 存在
Chat BI (chat.py)   ← 门禁检查 pipeline.json 存在

如果跳过入职培训直接运行 main.py 或 chat.py，系统会提示先运行入职培训并退出。

技术栈

语言: Python 3.10+
LLM: DeepSeek / 阿里百炼（OpenAI 兼容 API）
Excel: openpyxl（读写）+ win32com（公式刷新）
通知: 飞书 Webhook
架构: ReAct Agent + Pipeline Workflow 混合模式

License

MIT

Name		Name	Last commit message	Last commit date
daily_report_automation		daily_report_automation
.gitignore		.gitignore
AI入职培训.bat		AI入职培训.bat
ChatBI.bat		ChatBI.bat
README.md		README.md
工作流启动.bat		工作流启动.bat

Latest commit

History

Folders and files

Repository files navigation