Creación de tuberías de análisis de datos totalmente autónomos con el marco del agente praisonai: una implementación de codificación

En este tutorial, demostramos cómo Agentes de praisonai Puede elevar su análisis de datos de las secuencias de comandos manuales a una tubería totalmente autónoma, impulsada por la IA. En algunas indicaciones en idioma natural, aprenderá a orquestar en cada etapa del flujo de trabajo, cargando archivos CSV o Excel, filtrando filas, resumiendo las tendencias, la agrupación de campos personalizados, las tablas de giro y la exportación de resultados a CSV y Excel, sin escribir el código de pandas tradicional. En esta implementación, bajo el capó, Praisonai aprovecha a Google Gemini para interpretar sus instrucciones e invocar las herramientas apropiadas. Al mismo tiempo, características como la autorreflexión y el registro verboso le proporcionan visibilidad completa en cada paso de razonamiento intermedio.

!pip install "praisonaiagents[llm]"

Instalamos la Biblioteca Core Praisonai Agents, junto con sus extras de integración LLM, que traen todas las dependencias necesarias (como los conectores Litellm y Gemini) para impulsar flujos de trabajo autónomos con modelos de idiomas grandes.

import os


os.environ["GEMINI_API_KEY"] = "Use Your API Key"


llm_id = "gemini/gemini-1.5-flash-8b"

Configuramos su entorno para el acceso de Gemini configurando su clave API, luego especificamos qué modelo Gemini (la variante “1.5-flash-8b”) el agente Praisonai debe usar como su backend de LLM.

from google.colab import files


uploaded = files.upload()  
csv_path = next(iter(uploaded))
print("Loaded:", csv_path)

Aprovechamos el widget de archivo de Colab para permitirle elegir un CSV local, capturar su nombre de archivo en CSV_Path e imprimir una confirmación, lo que facilita la incorporación de sus datos a la cuaderno de manera interactiva.

from praisonaiagents import Agent
from praisonaiagents.tools import (
    read_csv, filter_data, get_summary, group_by, pivot_table, write_csv
)


agent = Agent(
    instructions="You are a Data Analyst Agent using Google Gemini.",
    llm=llm_id,
    tools=[
        read_csv, filter_data, get_summary, group_by, pivot_table, write_csv
    ],
    self_reflect=True,  
    verbose=True        
)

Instanciamos un agente de Praisonai conectado a Google Gemini, equipándolo con herramientas de análisis de datos (E/S de CSV, filtrado, resumen, agrupación, pivote y exportación). Habilitar el autorreflexión permite al agente criticar su razonamiento, mientras que el modo verboso transmite registros detallados de invocación de herramientas para transparencia.

result = agent.start(f"""
1. read_csv to load data from "{csv_path}"
2. get_summary to outline overall trends
3. filter_data to keep rows where Close > 800
4. group_by Year to average closing price
5. pivot_table to format the output table
""")
print(result)

Enviamos un aviso claro y paso a paso a su agente de Praisonai, instruyendo a cargar el CSV, resumir las tendencias generales, filtrar los precios de cierre de más de $ 800, calcular promedios anuales y pivotar la mesa. El agente luego imprime la respuesta combinada (incluido cualquier resumen generado o salida de datos).

En conclusión, hemos construido una tubería de datos de extremo a extremo impulsada por los agentes de Praisonai y Géminis, que pasa de la carga de datos sin procesar a las visualizaciones perspicaces e informes descargables en solo unas pocas celdas. Hemos visto cómo el conjunto de herramientas declarativo de Praisonai reemplaza a docenas de líneas de código básico con pasos concisos, legibles por humanos y cómo los mecanismos incorporados, como el almacenamiento en caché de resultados y la invocación API de doble modo, garantizan tanto la eficiencia como la confiabilidad.

Fuentes

Además, no olvides seguirnos Gorjeo y únete a nuestro Canal de telegrama y LinkedIn GRsalpicar. No olvides unirte a nuestro 90k+ ml de subreddit.

🔥 [Register Now] Conferencia virtual de Minicon sobre AI agente: registro gratuito + Certificado de asistencia + Evento corto de 4 horas (21 de mayo, 9 am- 1 pm PST) + Hands on Workshop

Asif Razzaq es el CEO de MarktechPost Media Inc .. Como empresario e ingeniero visionario, ASIF se compromete a aprovechar el potencial de la inteligencia artificial para el bien social. Su esfuerzo más reciente es el lanzamiento de una plataforma de medios de inteligencia artificial, MarktechPost, que se destaca por su cobertura profunda de noticias de aprendizaje automático y de aprendizaje profundo que es técnicamente sólido y fácilmente comprensible por una audiencia amplia. La plataforma cuenta con más de 2 millones de vistas mensuales, ilustrando su popularidad entre el público.