Excel 是数据工作者常用的“传家宝”，Power BI 则是企业级数据看板的利器，但这两款工具真的能让一线业务人员灵活自如地开展数据分析吗？答案可能并不乐观。
从事市场数据分析的人，大多是从 vlookup 函数起步的。然而，一旦数据来源增多，就不得不硬着头皮学习 Power Query 和 VBA 等复杂技能。对于一线销售或只想快速验证业务想法的人来说，这种学习成本实在太高了——更不用说当数据量超过十万行时，机器就会明显卡顿甚至报错。
为了解决性能瓶颈，公司往往引入更专业的 Power BI。可当硬件问题解决后，新的障碍又出现了：权限管控和开发效率。Power BI 的报告开发需要走流程、申请审批，最终只能展示预设的固定样式，很难根据你脑海中稍纵即逝的业务洞察进行灵活调整。
通用 AI 聊天软件的局限性
你一定尝试过豆包、DeepSeek 等工具。它们功能强大，但总有种“食之无味、弃之可惜”的感觉——看似什么都能做，却难以直接融入实际生产环境。
第一个也是最关键的问题是数据安全。你不可能把包含产品信息和市场份额的 Excel 文件上传到公共网站，任何合规的企业都不会允许这样的行为。
第二个问题是无形的记忆瓶颈与幻觉。AI 的记忆能力受限于“Token”这个因素。当多轮对话深入后，你可能会发现 AI 给出的结论越来越不可靠。这种无法验证、无法信任的感觉，对于数据分析来说几乎是致命的。
“重复造轮子”的价值
既然现有工具都不太顺手，不如自己动手搭建。目标很明确：构建一个包含前端界面、本地模型和沙盒化执行环境的完整应用。
核心思路是：让 AI 生成 Python 代码，而不是直接“理解”几十万行数据。这样一来，模型的上下文压力大大降低，执行结果也变成了可验证、可追溯的代码输出，而不是黑箱中的幻觉。
“Vibe coding”：省略一万字……直接看演示效果
测试使用的示例数据是一个开源数据集：csv 文件，共 52 万行、16 列，大小 56M。
- 模型调用：qwen3（本地模型）
- 工具调用：python 沙盒（本地容器）
第一步，将数据文件上传到项目（本地部署），让 AI 输出数据结构；
第二步，从品牌、价格、颜色、车型等多个维度，要求 AI 生成分析图表。
实际测试中，一个 0.6B 的端侧小模型就完全够用。整个对话过程不超过 5 分钟。没有复杂的提示词，仅用两个简单问题，就能对 52 万行数据自动生成基础分析图表。
结论是什么？让 AI 直接“理解”50 万行数据然后给出答案，对模型的上下文长度要求极高，还要在多轮对话中保持记忆，确实非常困难。但如果换一种思路——让它生成一段能高效处理 50 万行数据的 Python 代码——任务的难度就天差地别了。这才是本地 Agent 真正发挥优势的地方。
```