上传数据，自动分析，一键生成专业报告
DeepAnalyze 是一个基于 Agent 架构的自主数据科学分析工具，定位为你的 AI 数据分析师。它能够自动处理大规模数据集，完成从数据清洗、探索性分析、特征工程到模型训练的全流程，并一键生成包含图表和结论的专业分析报告。项目解决了传统数据分析依赖人工编码和重复劳动的问题，通过自然语言交互降低使用门槛，让非专业人士也能完成复杂的数据洞察。其核心能力包括多步骤任务规划、自动代码执行、结果可视化以及报告生成，支持与主流数据格式无缝对接。目前项目处于成长阶段，社区活跃，适合快速上手体验。
⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。
1克隆项目仓库
从 GitHub 拉取 DeepAnalyze 源码。README 节选未给出依赖安装命令，后续步骤以官网文档为准。
git clone https://github.com/ruc-datalab/DeepAnalyze.git2核对显存与模型
按 README 提供的显存对照表，根据 GPU 显存选择原始模型或 8-bit / 4-bit 量化模型，并确定 max-model-len。
3生成量化模型
如需 8-bit 或 4-bit 量化版本，使用仓库内提供的量化脚本转换模型权重。
./quantize.py4按官网文档部署
README 节选未包含依赖安装与推理服务启动命令，请访问官网文档完成部署、启动与使用。
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
Model Type | 是 | 选择原始模型或量化模型，须与显存匹配 | 4-bit Quantized |
max-model-len | 是 | 推理最大上下文长度，显存越小可设值越低 | 8192 |
Use FP8 KV Cache | 否 | 启用 FP8 KV Cache 可降低显存占用 | true |
README 未提供启动验证方法，请按官网文档检查推理服务是否正常响应。
Q：显存不足怎么办？
A：参考 README 显存对照表：16GB 可选 8-bit 量化模型（max-model-len 8192）或 4-bit 量化模型（max-model-len 49152），并开启 FP8 KV Cache。
Q：量化模型怎么获得？
A：README 说明可使用仓库中的 ./quantize.py 对模型进行量化，得到 8-bit 或 4-bit 量化版本。
Q：支持哪些数据类型？
A：支持结构化数据（数据库、CSV、Excel）、半结构化数据（JSON、XML、YAML）和非结构化数据（TXT、Markdown）。
Q：可以直接用普通电脑运行吗？
A：README 的最低配置为 16GB 显存 GPU，普通无独显电脑难以本地部署，建议使用带 NVIDIA GPU 的服务器。
PandasAI、Jupyter AI、DataChat
DeepAnalyze 是智能体领域的开源项目，由 ruc-datalab 开发，2025 年首次发布。
在全站 13,090 个收录项目中，它的 GitHub 星标数（4,648）位列前 10%，在智能体分类的 2,517 个项目里位列前 10%。
近 41 天，它的 GitHub 星标从 4,516 增加到 4,648，净增 132。
项目目前处于活跃维护状态，最近一次代码更新于 2026-09-22。从国内网络环境看，可直接访问。
它主要面向的使用场景是：业务人员快速获取数据洞察，无需编写代码。同类可对比的替代方案包括 PandasAI、Jupyter AI、DataChat。
上一篇：gaianet-node
下一篇：chatbot
xinchao-dynamic-mind
开源
给 AI 装上疲惫和欲望，让交互更真实
独立、可自托管的 AI 动态心智状态引擎：驱动力、念头池、疲惫、睡眠与意图。
deepseek-harness
开源
把 AI 能力拆成乐高积木，拼出你的专属智能体。
DeepSeek Harness: Everything is a Plugin.
AutoGPT
开源
开箱即用的 AI 员工，交代任务就自己干完
AutoGPT is the vision of accessible AI for everyone, to use and to build on. Our mis···
EvoAgentX
开源
让 AI 智能体自己迭代变强，越用越聪明
EvoAgentX: Building a Self-Evolving Ecosystem of AI Agents