DeepAnalyze: ein 8B-Agent, der Datenanalyse-Pipelines selbst ausführt

Welches Problem DeepAnalyze adressiert

Der Ausgangspunkt ist ein wiederkehrender Ablauf: Rohdaten liegen als CSV, Excel, JSON, XML, YAML, TXT oder Markdown vor, und daraus soll eine Analyse mit Diagrammen und einem Bericht entstehen. Üblicherweise schreibt man dafür Skripte, prüft Zwischenergebnisse und wiederholt einzelne Schritte. DeepAnalyze setzt an dieser Kette an und beschreibt sich selbst als agentisches LLM, das datenbezogene Aufgaben ohne menschliches Eingreifen ausführt. Die Zielgruppe sind laut Repository Forschende und Entwickler, die einen eigenen Analyseassistenten deployen oder erweitern wollen, nicht Endanwender, die eine fertige SaaS-Oberfläche suchen. Der Anspruch umfasst ausdrücklich die gesamte Pipeline: Datenvorbereitung, Analyse, Modellierung, Visualisierung und Berichtserstellung. Dass Datenvorbereitung als eigener Arbeitsschritt genannt wird, ist ein Hinweis darauf, wo die Autoren die eigentliche Reibung verorten. Ein separates Vorhaben namens DeepPrep wird in den News als Companion für genau diesen Schritt angekündigt. Wer heute DeepAnalyze einsetzt, bekommt also einen Assistenten für die Analysephase, während die vorgelagerte Bereinigung noch Gegenstand eines angekündigten, nicht veröffentlichten Systems ist.

Modell, Daten und Code als getrennte Bausteine

DeepAnalyze ist kein einzelnes Programm, sondern ein Bündel aus drei Veröffentlichungen. Auf HuggingFace liegt das Modell DeepAnalyze-8B, ebenfalls auf HuggingFace der Trainingsdatensatz DataScience-Instruct-500K, und im GitHub-Repository der Code samt Demo. Diese Trennung ist praktisch relevant, weil sie drei verschiedene Entscheidungen erlaubt: das Modell lokal betreiben, nur die Daten für eigenes Fine-Tuning nutzen oder ausschließlich die WebUI gegen einen gehosteten Endpunkt betreiben. Die Größenangabe 8B im Modellnamen ist der einzige konkrete Hinweis auf die Ressourcenanforderung, den das Material hergibt. Angaben zu Quantisierung, Kontextlänge, GPU-Speicherbedarf oder Inferenzgeschwindigkeit fehlen im Auszug. Wer die Hardware planen muss, kann das anhand des vorliegenden Materials nicht tun und muss die Modellkarte auf HuggingFace heranziehen. Der Datensatzname nennt 500K Beispiele, was für ein Instruction-Tuning-Set dieser Domäne plausibel ist, aber nichts über die Qualität der einzelnen Beispiele aussagt. Eine Bewertung der Datenqualität ist aus dem Repository heraus nicht möglich.

Ausführung in der Sandbox statt reiner Textausgabe

Der entscheidende Mechanismus ist die Code-Ausführung. Ein Sprachmodell, das Analyseaufgaben beschreibt, produziert Beschreibungen. DeepAnalyze geht laut Repository einen Schritt weiter und führt Code aus, um an Ergebnisse zu gelangen. Die WebUI v2 unterstützt dafür eine Docker-basierte Sandbox, und der zugehörige Benchmark CoDA-Bench beschreibt den Aufbau genauer: ein Linux-Sandbox mit hunderten Datendateien, in der ein Agent eine natürlichsprachliche Frage erhält, relevante Daten selbst finden, ausführbaren Code schreiben und die finale Antwort liefern muss. Dieses Szenario entspricht dem, was DeepAnalyze leisten soll. Die Datenflusskette lässt sich damit so skizzieren: Frage und Dateibestand gehen an den Agenten, der Agent sucht relevante Dateien, erzeugt Code, die Sandbox führt ihn aus und liefert Laufzeitrückmeldung zurück, und auf dieser Grundlage entsteht die Antwort oder der Bericht. Ein solcher Rückkanal ist der Grund, warum Ausführung in einer isolierten Umgebung überhaupt nötig ist. Ohne Sandbox würde generierter Code mit den Rechten des Hostprozesses laufen. Die Docker-Unterstützung ist damit keine Bequemlichkeit, sondern die Voraussetzung dafür, das System überhaupt auf fremde Daten loszulassen.

Installation und Betrieb: was das Material belegt

Die README beschreibt zwei Zugangswege. Der erste ist die WebUI v2 im Verzeichnis demo/chat_v2, die laut News vom 16.03.2026 eine überarbeitete Oberfläche, Unterstützung für die HeyWhale API und Docker-basierte Sandbox-Ausführung mitbringt; Details stehen in demo/chat_v2/README.md. Der zweite ist ein OpenAI-kompatibler Endpunkt, ergänzt am 13.11.2025 durch einen externen Beitragenden, zusammen mit einer Kommandozeilen-Oberfläche. Damit lässt sich DeepAnalyze in bestehende Clients einbinden, die die OpenAI-API-Form erwarten. Für den gehosteten Zugang gibt es seit dem 28.12.2025 API-Schlüssel, die über ein Google-Formular oder ein Feishu-Formular beantragt werden; die Nutzungsanleitung liegt unter docs/DeepAnalyze_API_Key_Usage_Guide.md. Konkrete Kommandozeilenaufrufe, Konfigurationsschlüssel, Umgebungsvariablen oder docker run-Beispiele enthält der vorliegende Auszug nicht. Wer den Betrieb plant, muss diese Angaben aus demo/chat_v2/README.md und dem API-Leitfaden ziehen. Diese Zurückhaltung ist ein wiederkehrendes Muster: Das Repository verweist an mehreren Stellen auf Unterseiten, statt die notwendigen Schritte zentral zu dokumentieren.

Wo der Ansatz an Grenzen stößt

Die wichtigste Einschränkung betrifft die Nachvollziehbarkeit. Ein Agent, der Dateien selbst auswählt, Code schreibt und ausführt, trifft viele kleine Entscheidungen. Wenn das Ergebnis falsch ist, liegt die Ursache möglicherweise in der Dateiauswahl, im generierten Code oder im Modellverständnis der Frage. Das Material beschreibt keine Protokollierung, keine Reproduzierbarkeit von Läufen und keine Möglichkeit, einen Lauf an einer Stelle anzuhalten und zu korrigieren. Für explorative Analysen ist das akzeptabel. Für Berichte, die fachlich geprüft werden müssen, ist es ein Problem, weil die Prüfung nicht an einem festen Artefakt ansetzt, sondern an einem Ablauf, der bei erneutem Lauf anders verlaufen kann. Dazu kommt die Modellgröße. Ein 8B-Modell ist klein genug für lokalen Betrieb, aber die README macht keine Angaben zur Trefferquote bei mehrstufigen Analyseaufgaben. Der angekündigte Benchmark CoDA-Bench ist genau dafür gedacht, war aber zum Zeitpunkt der Angaben noch nicht als Ergebnisquelle verfügbar. Wer belastbare Zahlen zur Erfolgsrate braucht, findet sie im Repository nicht. Schließlich ist der Anspruch auf die gesamte Pipeline irreführend, solange DeepPrep nur angekündigt ist: Die Datenvorbereitung bleibt vorerst außerhalb.

Abgrenzung zu generischen Code-Agenten

Die naheliegende Alternative ist ein allgemeiner Code-Agent, der in einer Shell arbeitet und dem man Datenanalyseaufgaben stellt. Der Unterschied liegt nicht in der Ausführungsumgebung, denn beide brauchen eine Sandbox, sondern in der Ausrichtung des Modells. Ein generischer Agent wurde auf breitem Code trainiert und muss die Konventionen von pandas, Datenbankabfragen und Diagrammbibliotheken aus dem Kontext erschließen. DeepAnalyze-8B wurde auf DataScience-Instruct-500K trainiert, einem Datensatz, der laut Repository auf genau diese Aufgaben zugeschnitten ist. Der zweite Unterschied ist der Bericht. Ein Code-Agent liefert Code und Ausgabe; DeepAnalyze soll daraus ein Dokument in Analystenqualität erzeugen. Ob dieser Unterschied in der Praxis trägt, lässt sich aus dem Material nicht belegen. Der CoDA-Bench-Vergleich wäre die Stelle, an der man es nachsehen könnte, und die Beschreibung des Benchmarks deutet an, dass er genau diese Frage adressiert. Bis Ergebnisse vorliegen, bleibt die Abgrenzung eine Designentscheidung, keine belegte Überlegenheit. Wer bereits einen funktionierenden Code-Agenten mit Sandbox betreibt, hat wenig Grund zu wechseln, solange der Berichts- und Datenfindungsteil nicht nachweislich besser ist.

Wartung, Lizenz und offene Punkte

Das Repository steht unter MIT, was kommerzielle Nutzung, Änderung und Weitergabe erlaubt, sofern Lizenz- und Urheberrechtshinweis erhalten bleiben. Diese Angabe bezieht sich auf den Code im GitHub-Repository. Ob sie auch für die Modellgewichte auf HuggingFace und für den Datensatz DataScience-Instruct-500K gilt, ist aus dem vorliegenden Material nicht ersichtlich. Das ist kein formaler Punkt: Trainingsdaten können aus Quellen stammen, die eigene Bedingungen mitbringen, und Modellkarten führen häufig abweichende Lizenzangaben. Vor einem produktiven Einsatz gehört diese Frage geklärt, und zwar anhand der Modellkarte und der Datensatzkarte, nicht anhand des Repository-Badges. Die Wartungslage ist aktiv: Der letzte Push datiert auf den 30.08.2026, und die News-Liste zeigt zwischen November 2025 und Juli 2026 eine Reihe von Ergänzungen, darunter die OpenAI-kompatible Schnittstelle, die JupyterUI, die WebUI v2 und die API-Schlüssel. Auffällig ist, dass mehrere dieser Ergänzungen von externen Beitragenden stammen und dass Ankündigungen wie DeepPrep und CoDA-Bench auf zukünftige Veröffentlichungen verweisen. Wer auf diese Bausteine baut, plant gegen Zusagen und nicht gegen vorhandenen Code. Releases sind im Material nicht erfasst, ein Versionsschema oder Upgrade-Pfad damit ebenfalls nicht erkennbar. Für ein Projekt dieser Art bedeutet das, dass ein Upgrade faktisch ein Wechsel auf den jeweils aktuellen Stand des main-Branches ist.

Einordnung: für wen sich der Blick lohnt

DeepAnalyze ist am ehesten für zwei Gruppen interessant. Die erste sind Forschende, die einen agentischen Datenanalyse-Ablauf mit offenem Modell, offenem Code und offenem Trainingsdatensatz untersuchen wollen. Die Kombination aus 8B-Modell, 500K-Instruktionsdaten und einem begleitenden Benchmark ist ein seltener Fall, in dem sich die einzelnen Stufen eines solchen Systems überhaupt nachvollziehen lassen. Die zweite Gruppe sind Teams, die einen internen Analyseassistenten auf Basis eines selbst gehosteten Modells aufbauen und dafür einen Ausgangspunkt suchen, den sie an eigene Daten anpassen können. Weniger geeignet ist DeepAnalyze für Umgebungen, in denen ein Analyseergebnis ohne fachliche Prüfung weiterverwendet wird. Die fehlende Reproduzierbarkeit eines Laufs und die fehlenden Angaben zur Erfolgsrate bei mehrstufigen Aufgaben stehen dem entgegen. Ebenso ungeeignet ist es, wenn Datenvorbereitung den Großteil der Arbeit ausmacht, denn dieser Teil ist im Repository als kommendes Vorhaben ausgewiesen. Vor jedem Einsatz zu klären sind drei Dinge: der tatsächliche Lizenzumfang der Modellgewichte und des Datensatzes, die konkreten Startbefehle und Konfigurationsschlüssel in demo/chat_v2/README.md sowie die Frage, ob die Docker-Sandbox in der eigenen Umgebung betrieben werden darf. Erst danach lohnt die Beschaffung der Hardware, deren Anforderungen das Repository nicht nennt.

Redaktionelles Fazit

Wer Datenanalyse-Agenten erforscht oder einen eigenen Assistenten auf Basis eines offenen 8B-Modells aufbauen will, findet hier Modell, Code und Trainingsdaten unter MIT. Wer Produktionsberichte ohne manuelle Nachkontrolle erwartet, sollte zuerst den Umfang der WebUI-v2-Dokumentation und die Lizenzangaben des HuggingFace-Modell-Repos prüfen, denn die MIT-Angabe im Repository deckt das Modellgewichte-Repo nicht automatisch mit ab.

Offizielle Quellen

1. Issues
2. License: MIT
3. Project website
4. README
5. ruc-datalab/DeepAnalyze on GitHub