MCP + LangGraph 智能数据分析助手 (ChatBI)

基于 MCP (Model Context Protocol) 和 LangGraph 构建的企业级数据分析智能助手。通过自然语言对话，实现数据库查询、数据可视化、用户画像分析、评论情感挖掘、销量预测等复杂分析任务。

项目架构

用户自然语言输入
       │
       ▼
┌──────────────────────────────────────────────────────┐
│              LangGraph 主图 (execute_graph.py)         │
│                                                      │
│  ┌─────────────┐     ┌──────────────────────────┐    │
│  │ 业务分流节点  │────▶│  条件路由                  │    │
│  │ (ywfl_tool)  │     │  "业务数据查询分析" 或      │    │
│  └─────────────┘     │  "纯python编码"           │    │
│                      └──────┬──────────┬─────────┘    │
│                             │          │              │
│                    ┌────────▼──┐  ┌────▼───────────┐  │
│                    │ 获取表结构  │  │ Python编码节点  │  │
│                    │(list_tables│  │(run_python_    │  │
│                    │  _tool)    │  │ script_tool)   │  │
│                    └─────┬──────┘  └───────┬────────┘  │
│                          │                 │           │
│                    ┌─────▼─────────────────▼────────┐  │
│                    │     data_analysis_agent        │  │
│                    │  (create_react_agent 子图)      │  │
│                    │  ┌─ db_sql_tool (SQL查询)       │  │
│                    │  ├─ run_python_script_tool      │  │
│                    │  ├─ translate_to_python_plot    │  │
│                    │  ├─ analysis_product_reviews    │  │
│                    │  ├─ reviews_stars_correlation   │  │
│                    │  └─ sales_predict_tool          │  │
│                    └────────────────────────────────┘  │
└──────────────────────────────────────────────────────┘
       │              │              │              │
       ▼              ▼              ▼              ▼
┌────────────┐ ┌────────────┐ ┌────────────┐ ┌────────────┐
│ ywfl_mcp   │ │search_db   │ │python_chart│ │machine_    │
│ :9005      │ │_mcp :9004  │ │_mcp :9002  │ │learning_   │
│            │ │            │ │            │ │mcp :9003   │
│ 业务分流    │ │ Text2SQL   │ │ 代码执行   │ │ 机器学习    │
│            │ │ 数据库查询  │ │ 绘图生成   │ │ 分析建模    │
└────────────┘ └────────────┘ └────────────┘ └────────────┘

核心设计思想

MCP 服务解耦：4个独立 MCP 服务各自负责单一职责，通过标准协议与主图通信，可独立开发、部署和扩缩容
LangGraph 编排：使用 StateGraph 定义业务流程，通过条件边实现智能路由
Text2SQL：LLM 自动将自然语言转换为 SQL 查询，支持多表联合、聚合分析
ReAct Agent 子图：数据分析阶段使用 create_react_agent 实现多轮工具调用推理

目录结构

langGraph_agent/
├── .env                                           # 环境变量配置
├── requirements.txt                                # Python 依赖
├── build_graph.png                                 # LangGraph 流程图
│
├── project_data/                                   # 业务数据
│   ├── 商品表/
│   │   ├── food_price_list.csv                     # 食品价格表
│   │   ├── handicraft_price_list.csv               # 手工艺品价格表
│   │   ├── home_goods_price_list.csv               # 家居用品价格表
│   │   └── sports_good_price_list.csv              # 运动用品价格表
│   ├── 用户表/
│   │   ├── user information_table.csv              # 用户信息表
│   │   └── user_online_record.csv                  # 用户在线记录表
│   ├── 用户活跃表/
│   │   └── user_activity_stats.csv                 # 用户活跃统计表
│   └── 销量表/
│       ├── product_monthly_sales_statistic.csv     # 商品月销量统计表
│       ├── product_reviews.csv                     # 商品评论表
│       └── sales_detail_ records_table.csv         # 销售明细表
│
├── smart_data_analysis_assistant/                  # 核心应用
│   ├── mcp_server/                                 # MCP 服务端
│   │   ├── ywfl_mcp.py                             # 业务分流服务 (9005)
│   │   ├── statistic_db_mcp_tools.py               # 数据库查询服务 (9004)
│   │   ├── python_chart_mcp.py                     # 代码执行+绘图服务 (9002)
│   │   ├── machine_learning_mcp.py                 # 机器学习分析服务 (9003)
│   │   └── public_function.py                      # LLM 调用公共函数
│   │
│   └── chatbi_graph/                               # LangGraph 图构建
│       ├── build_graph.py                          # ★ 核心：图定义与编译
│       ├── execute_graph.py                        # 命令行交互入口
│       ├── chat_api.py                             # FastAPI 服务部署入口
│       ├── my_llm.py                               # LLM 初始化配置
│       ├── my_state.py                             # 图状态定义
│       ├── tools_node.py                           # 工具节点与系统提示词
│       └── post_test.py                            # API 接口测试脚本
│
└── langGraph_basic_learning/                       # LangGraph 学习笔记
    ├── langGraph_code.py                           # 框架核心概念学习
    ├── langGraph_practise.py                       # LangSmith 追踪练习
    └── mcp_example_server.py                       # MCP Server 示例

数据库设计 (PostgreSQL - sales_chat)

| 表名 | 说明 | 关键字段 | |------|------|----------| | food_price_list | 食品价格表 | product_no, product_name, product_price | | handicraft_price_list | 手工艺品价格表 | product_no, product_name, product_price | | home_goods_price_list | 家居用品价格表 | product_no, product_name, product_price | | sports_good_price_list | 运动用品价格表 | product_no, product_name, product_price | | product_monthly_sales_statistic | 商品月销量表 | product_name, 1月销量~12月销量 | | product_reviews | 商品评论表 | date, reviews, stars, product_name | | user_information_table | 用户信息表 | userid, username, register_date, self_description, occupation | | user_online_record | 用户在线记录表 | userid, load_time, online_time, username | | sales_detail_records_table | 销售明细表 | purchase_date, userid, product_name, username | | user_activity_stats | 用户活跃统计表 | 用户id, 活跃时间, 活跃时长/分钟 |

环境准备

依赖要求

Python >= 3.10
PostgreSQL >= 14
阿里云百炼平台 API Key (DASHSCOPE_API_KEY)

安装依赖

pip install -r requirements.txt

配置环境变量

复制并编辑 .env 文件：

# PostgreSQL 数据库连接
DB_HOST=127.0.0.1
DB_PORT=5432
DB_NAME=sales_chat
DB_USER=postgres
DB_PASSWORD=your_password

# LLM 配置（也可通过系统环境变量 DASHSCOPE_API_KEY 配置）
QWEN_API_KEY=
QWEN_MODEL=qwen-plus
PREFER_TONGYI=1

# 图片输出目录
IMAGE_DIR=/path/to/output_plots

导入数据

在 PostgreSQL 中创建数据库 sales_chat
将 project_data/ 下的 CSV 文件导入对应数据表（推荐使用 DBeaver 或 pgAdmin）

启动服务

项目需要启动 4个 MCP 服务 + 1个主图，共 5 个终端：

1. 启动业务分流 MCP (端口 9005)

cd smart_data_analysis_assistant/mcp_server
python ywfl_mcp.py

2. 启动数据库查询 MCP (端口 9004)

cd smart_data_analysis_assistant/mcp_server
python statistic_db_mcp_tools.py

3. 启动代码执行+绘图 MCP (端口 9002)

cd smart_data_analysis_assistant/mcp_server
python python_chart_mcp.py

4. 启动机器学习 MCP (端口 9003)

cd smart_data_analysis_assistant/mcp_server
python machine_learning_mcp.py

5. 启动主图 (命令行交互模式)

python smart_data_analysis_assistant/chatbi_graph/execute_graph.py

启动成功后会出现 用户： 提示符，即可开始对话。

可选：API 服务部署

python smart_data_analysis_assistant/chatbi_graph/chat_api.py
# 服务监听 0.0.0.0:9008

功能演示

数据查询

用户：查询健身手套价格是多少
→ 自动生成 SQL 查询 sports_good_price_list 表并返回价格

聚合分析

用户：运动类商品有多少
→ SELECT COUNT(*) FROM sports_good_price_list

数据可视化

用户：查询商品洗碗布的月销量数据，绘制一张以月为维度的销量柱状图
→ 1. 查询数据库获取月销量数据
→ 2. 生成 Python matplotlib 绘图代码
→ 3. 执行代码并返回图表路径

用户画像分析

用户：分析一下王一珂的用户画像
→ 查询用户信息、购买记录、在线时长，综合生成画像分析

销量预测

用户：查询保鲜袋历史12个月的销量，基于此预测未来的销量
→ 1. 查询月销量数据
→ 2. 使用指数移动平均(EMA)模型预测

评论情感分析

用户：分析银耳的用户评论和星级数据的相关性
→ 1. 提取评论 → LLM 情感分类(满意/中性/不满意)
→ 2. 计算 Pearson 相关系数
→ 3. 判断星级与满意度的相关性

Python 编码

用户：写一段冒泡排序的Python代码
→ LLM 生成代码 → 自动执行 → 返回结果

多轮对话

用户：查询抽纸单价是多少？
助手：抽纸单价为 5.5 元。

用户：查询一下它过去12个月的销量
助手：（自动理解"它"指代"抽纸"，查询月销量数据）

用户：根据其12个月的销量绘制一张销量折线图
助手：（自动获取之前查询的数据，生成折线图）

MCP 服务详情

1. 业务分流服务 (ywfl_mcp - 9005)

| 工具名 | 功能 | 参数 | |--------|------|------| | ywfl_tool | 意图识别与任务分类 | user_input: 用户输入文本 |

分类结果：业务数据查询分析 / 纯python编码

2. 数据库查询服务 (search_db_mcp - 9004)

| 工具名 | 功能 | 参数 | |--------|------|------| | list_tables_tool | 获取所有表结构（含注释） | 无 | | db_sql_tool | 执行 SQL 查询 | query: SQL 语句 |

传输协议：SSE

3. 代码执行+绘图服务 (python_chart_mcp - 9002)

| 工具名 | 功能 | 参数 | |--------|------|------| | run_python_script_tool | 执行 Python 代码（计算/绘图） | script_content: 代码字符串 | | translate_to_python_plot_script | 生成 matplotlib 绘图代码 | graph_demand: 绘图需求, data_desc: 数据描述 |

4. 机器学习服务 (machine_learning_mcp - 9003)

| 工具名 | 功能 | 参数 | |--------|------|------| | analysis_product_reviews_tool | 评论情感分析（满意/中性/不满意） | reviews_list: 评论列表 | | reviews_stars_correlation_test_tool | 星级与满意度相关性分析 (Pearson) | ItemName, reviews, stars | | sales_predict_tool | 销量预测 (指数移动平均) | ItemName, sales_data_list |

技术栈

| 类别 | 技术 | |------|------| | LLM | 通义千问 (qwen-plus) / DeepSeek | | LLM 框架 | LangChain, LangGraph | | 工具协议 | MCP (Model Context Protocol) | | 数据库 | PostgreSQL | | Web 框架 | FastAPI + Uvicorn | | 数据分析 | Pandas, NumPy, SciPy | | 可视化 | Matplotlib | | 运行环境 | Python 3.11+, Windows/Linux |

LangGraph 图节点说明

| 节点 | 类型 | 功能 | |------|------|------| | call_identify_intention | 执行节点 | LLM + ywfl_tool 实现业务分流 | | identify_intention_tool_node | 工具节点 | 执行业务分流 MCP 调用 | | call_list_tables | 执行节点 | 构造获取表结构的工具调用 | | list_tables_tool | 工具节点 | 获取数据库表结构信息 | | data_analysis_agent | ReAct子图 | Text2SQL + 数据分析 + 可视化 + ML | | call_python_coder | 执行节点 | LLM 生成 Python 代码 | | python_run_tool_node | 工具节点 | 执行 Python 代码 |

常见问题

Q: 启动 MCP 服务报端口占用

# 查找占用进程
netstat -ano | findstr ":9004"
# 终止进程
taskkill /PID <PID> /F

Q: 主图连接 MCP 失败 确认 4 个 MCP 服务均已启动并显示 Uvicorn running 后，再启动主图。

Q: Windows 下 MCP 服务报 [Errno 22] Windows 控制台 GBK 编码与 UTF-8 不兼容导致，避免在 MCP 服务端 print 中文数据。

Q: 如何切换 LLM 模型 修改 .env 中 QWEN_MODEL 即可，如 qwen-turbo（更快）或 qwen-max（更强）。

MCP Servers

MCP + LangGraph 智能数据分析助手 (ChatBI)

项目架构

核心设计思想

目录结构

数据库设计 (PostgreSQL - sales_chat)

环境准备

依赖要求

安装依赖

配置环境变量

导入数据

启动服务

1. 启动业务分流 MCP (端口 9005)

2. 启动数据库查询 MCP (端口 9004)

3. 启动代码执行+绘图 MCP (端口 9002)

4. 启动机器学习 MCP (端口 9003)

5. 启动主图 (命令行交互模式)

可选：API 服务部署

功能演示

数据查询

聚合分析

数据可视化

用户画像分析

销量预测

评论情感分析

Python 编码

多轮对话

MCP 服务详情

1. 业务分流服务 (ywfl_mcp - 9005)

2. 数据库查询服务 (search_db_mcp - 9004)

3. 代码执行+绘图服务 (python_chart_mcp - 9002)

4. 机器学习服务 (machine_learning_mcp - 9003)

技术栈

LangGraph 图节点说明

常见问题

安装包（如果需要）

Cursor 配置 (mcp.json)

MCP + LangGraph 智能数据分析助手 (ChatBI)

项目架构

核心设计思想

目录结构

数据库设计 (PostgreSQL - sales_chat)

环境准备

依赖要求

安装依赖

配置环境变量

导入数据

启动服务

1. 启动业务分流 MCP (端口 9005)

2. 启动数据库查询 MCP (端口 9004)

3. 启动代码执行+绘图 MCP (端口 9002)

4. 启动机器学习 MCP (端口 9003)

5. 启动主图 (命令行交互模式)

可选：API 服务部署

功能演示

数据查询

聚合分析

数据可视化

用户画像分析

销量预测

评论情感分析

Python 编码

多轮对话

MCP 服务详情

1. 业务分流服务 (ywfl_mcp - 9005)

2. 数据库查询服务 (search_db_mcp - 9004)

3. 代码执行+绘图服务 (python_chart_mcp - 9002)

4. 机器学习服务 (machine_learning_mcp - 9003)

技术栈

LangGraph 图节点说明

常见问题

安装包 （如果需要）

Cursor 配置 (mcp.json)

安装包（如果需要）