数据分析的“天花板”与“玻璃墙”
做市场数据分析的大多都是Excel专家，vlookup只是基本功，当数据源一多就不得不去得去啃更硬的骨头Power Query和VBA。这对于一线销售人员，或是只想快速验证业务思路的人来说，成本太高了，更别提那数据超过十万行就卡到报错的机器性能。
公司最后都会引入更专业的Power BI，但当你终于摆脱机器性能的束缚时，又撞上新的玻璃墙——权限管理和开发效率。Power BI的报告开发要提交申请，遵循流程，只能展示既定的报告样式，无法随时响应你脑中那些稍纵即逝的业务洞察。
通用AI聊天软件的局限性
你一定试过豆包、DeepSeek这些工具，能力强大但又感同鸡肋，看似什么都能做，却又不能直接应用于生产环境。
第一个，也是最致命的问题，数据安全。你不可能把一份包含着产品信息、市场份额的Excel文件，上传到一个公开的网站上，没有任何一家合规的企业会允许这种操作。
第二个，是看不见的记忆枷锁和幻觉。AI的记忆力是有限的，这个限制叫做“Token”。当你多轮对话之后，会发现AI给的结论越来越离谱。这种无法验证、无法信任的感觉，对于数据分析来说是灾难性的。
“重复造轮子”的价值
在试过了各种工具后，我决定要“重复造轮子”——自己创造一个数据分析Agent。
目标很明确：做一个前端界面 + 本地模型 + 沙盒化执行环境的完整应用。
“Vibe coding”省略一万字...直接看演示效果
测试用的示例数据（开源数据集）
csv文件，共52万行/16列，56M
模型调用：qwen3（本地模型）
工具调用：python沙盒（本地容器）
第一步，上传数据文件到项目中（本地部署），要求AI输出数据结构；
第二步，从品牌、价格、颜色、车型等多个维度生成分析图表；
在实际测试中，一个0.6B的端侧小模型就足以胜任，整个对话过程不超过5分钟。没有复杂的提示词，仅用两个简单的问题，就能对52万行的数据自动生成基础分析图表：
写在最后
让AI直接“理解”50万行数据然后给出答案，对模型上下文长度要求极高，还要能在多轮对话后保持“记忆”是非常复杂的任务，但如果换个思路，让它生成一段能处理50万行数据的、高效的Python代码，任务难度就天差地别了
