项目地址：https://github.com/pamdla/livedaos
现在的数据分析普遍有下面的问题（不一一列举）：
太慢：一个问题要来回沟通、排期、改 SQL，等结果出来，决策时机已经过了
太死：BI 报表是提前定义好的，真实问题一变就用不上
太浅：要么只是查数，要么只给图，没人告诉你“这意味着什么、接下来怎么办”
太重：集成太繁重甚至使用率很低的功能，要么想不起来用，要么不完全够用
太傻：同一个用户在不同时点提相同需求，可能要重新走一遍所有流程，不知道用户的使用习惯，不知道用户想看什么
结果就是：
数据很多，结论很少
报表很多，决策仍然靠感觉
那么，（即将成为）LiveDAOS不是帮你“查数据”，而是陪你把数据分析这件事真正做完。
LiveDAOS把“数据分析师真正的工作方式”做成了系统：
先理解你想解决什么问题
检查记忆里是否有类似需求
再拆解分析思路，而不是直接写SQL
然后安全地取数、分析、判断
最后把结论和趋势用图表讲清楚
用户只需要像跟分析师说话一样提需求，其余的交给系统。
LiveDAOS 内部有三类智能体协作：
需求理解：听懂业务在关心什么
记忆召回：检查用户的使用习惯，以前是否有类似需求或习惯用法
规划执行：决定怎么看数据、用哪些指标和维度
结果表达：把结论和趋势直观地展示出来
整个过程可追溯、可解释、可复用，不是黑盒。
LiveDAOS的记忆不是为了聊天，而是为了记住用户如何做分析、做过哪些分析，并在下一次分析时，真正站在用户那一边思考。
- 流程关系图
timeline
title LiveDAOS 产品与技术演进路线
2026-M1 : MVP完成
: 自然语言分析
: Multi-Agent 架构
: MCP 多服务
: 基础用户记忆
2026-M2/1 : 能力增强
: LLM 生成 SQL
: SQL 校验与回退
: 多查询合并分析
: 自动可视化
2026-M2/2 : 体验进化
: 多轮对话分析
: 用户长期记忆
: 分析模板沉淀
: 趋势 / 异常识别
2026-M3 : 产品化扩展
: 多数据源 MCP
: 权限与审计
: 行业 Agent
: 主动洞察与告警
- 产品迭代图
sequenceDiagram
participant U as Agent1(User)
participant P as PlannerAgent
participant E as ExecutorAgent
participant M as MCP(SQLite)
participant L as MCP(LLM)
participant R as MemoryStore
participant V as VisualizationAgent
participant G as Gradio UI
%% 用户提出需求
U->>P: 自然语言分析需求
%% Planner 读取用户记忆
P->>R: 读取用户画像 / 历史偏好
R-->>P: 偏好参数 / 历史分析
%% Planner 生成分析计划
P->>L: 需求理解 & 分析规划（LLM）
L-->>P: 分析意图 & Plan
P->>R: 保存本次分析计划
%% Executor 执行分析
P->>E: 结构化分析计划
E->>L: 生成 SQL / 分析步骤
L-->>E: SQL / 推理结果
%% 数据查询
E->>M: SQL 查询
M-->>E: 查询结果
%% 本地数据分析
E->>E: Pandas / 统计分析
E->>L: 结果解读与业务总结
L-->>E: 分析结论文本
%% 结果写入记忆
E->>R: 保存分析结果摘要 / 关键指标
%% 可视化
E->>V: 分析结论 + 数据
V->>G: 图表 & 文本输出
%% 用户反馈（隐式）
G-->>R: 使用行为 / 偏好更新
【更新】解决bug并上传demo。