使用 Python 智能体对本地模型进行数据分析
一位评论者表示，LangChain的create_python_agent工具与Nous Hermes模型用于数据分析时表现相当良好。
- 具体怎么做
- 线程非常细：原发布者询问如何利用 LangChain 与 Llama 2 分析 CSV 文件。经测试发现，具备 pandas 功能的 LangChain 智能体与 OpenAI 模型配合良好，但与量化后的 7B Llama 配合则表现不佳。回复中，同一用户建议使用 LangChain 的 create_python_agent 而非 pandas 智能体，并提到该方式与 nous-hermes-llama2 13B 模型配合效果相当好。
- 做到了什么
- 唯一报告的成果是定性结论：量化后的7B Llama模型表现不佳，而使用 Hermes/Nous Llama 2 13B的create_python_agent智能体则运行得相当良好。
- 上手要点
- 主要问题是，原文中未包含工作流、提示词或基准测试；仅提及了 `create_python_agent` 以及 Hermes Llama 2 13B 模型。
你可以这样试
使用 Hermes Agent我在 [CSV 或数据文件路径] 处有数据集，想要了解 [问题，例如：哪些产品按月份带来最多收入]。加载该文件，检查是否存在缺失或异常值，然后编写并执行 Python 代码进行分析，并每一步都向我展示代码及结果。最后以简洁的口语化总结形式呈现分析结果，并将一张图表保存至 [输出文件夹]。请勿修改或删除原始数据文件。