Crewai MCP Data Analysis

代理演示

使用各种代理框架的AI代理实现的全面集合，重点是数据分析和Kepoola MCP Server集成。

🚀 概述

此存储库演示了如何使用不同的框架构建强大的AI代理：

• CrewAI：用于复杂数据分析任务的多代理协作
• LangChain：灵活的代理框架，具有广泛的工具集成
• DSPY：使用优化提示对基础模型进行编程

所有演示都与 Kepoola MCP服务器 实现无缝数据平台操作。

📁 存储库结构

agent-demos/
├── crew-ai/           # CrewAI-based agents
├── langchain/         # LangChain agent implementations  
├── dspy/              # DSPy framework examples
├── .env.template      # Environment variables template
└── README.md          # This file

🛠️ 框架比较

🔧 设置

1. 克隆存储库：

   git clone 
   cd agent-demos

1. 设置环境变量：

   cp .env.template .env
   # Edit .env with your API keys and configuration

1. 为每个框架安装依赖关系：

   # CrewAI
   cd crew-ai && pip install -r requirements.txt

   # LangChain  
   cd ../langchain && pip install -r requirements.txt

   # DSPy
   cd ../dspy && pip install -r requirements.txt

🎯 快速开始

CrewAI演示

cd crew-ai
python demo.py

LangChain演示

cd langchain
python demo.py

DSPy演示

cd dspy
python demo.py

🔌 Keboola MCP集成

所有框架都与Kepoola MCP服务器集成，用于：

• 数据访问：查询表和桶
• 变换：创建和管理数据转换
• 作业管理：监控和执行数据管道
• 元数据：访问组件和配置信息

所需的环境变量

KBC_STORAGE_API_URL=https://connection.keboola.com
KBC_STORAGE_TOKEN=your_keboola_token
OPENAI_API_KEY=your_openai_key

📊 用例

数据分析

• 客户细分和行为分析
• 收入预测和趋势分析
• 运营指标和KPI跟踪
• 流失预测和留存分析

商业智能

• 自动生成报告
• 跨平台数据关联
• 实时仪表板更新
• 性能监控

数据工程

• 管道编排
• 质量监控
• 转型优化
• 模式管理

🔍 攀岩健身房分析示例

该存储库包括分析攀岩馆数据的综合示例，包括：

• 课程出勤分析：按地点和部门跟踪出勤情况
• 瑜伽课受欢迎程度：确定最受欢迎的瑜伽课程
• 投资回报分析：考虑讲师工资率和课程收入计算投资回报率
• 青年项目指标：分析青年班出勤率和教练与孩子的比例
• 财务业绩：将劳动力数据与收入数据结合起来进行综合分析

有关具体实现，请参阅各个框架目录。

🤝 贡献

1. 分叉存储库
2. 创建要素分支(git checkout -b feature/amazing-feature)
3. 提交您的更改(git commit -m 'Add amazing feature')
4. 推到分支(git push origin feature/amazing-feature)
5. 打开拉取请求

📝 许可证

此项目根据MIT许可证获得许可-请参阅 许可证 文件以获取详细信息。

🙏 致谢

• 凯布拉 对于MCP服务器
• CrewAI 团队
• LangChain 社区
• DSPY 研究人员

📞 支持

如有疑问和支持：

• 在此存储库中打开问题
• 检查单个框架文档
• 查看Kepoola MCP服务器文档