DeepAnalyze：把資料分析整條流程交給一個 8B 代理模型
DeepAnalyze is the first agentic LLM for autonomous data science. 🎈你的AI数据分析师，自动分析大量数据，一键生成专业分析报告！
秒懂
- 它是什麼？
- DeepAnalyze 是中國人民大學與清華大學團隊釋出的開源代理式 LLM，主打在無人介入下完成資料準備、分析、建模、視覺化到報告產出。這篇從它的訓練資料、執行環境與部署門檻，判斷它適合誰、不適合誰。
- 適合誰用？
- 如果你要的是一個可以自己部署、自己微調、跑在內部資料上的資料分析代理，DeepAnalyze 把模型權重、訓練語料（DataScience-Instruct-500K）與 WebUI 一起放出來，這在同类專案裡並不常見，值得先下載 DeepAnalyze-8B 權重並照 demo/chat_v2/README.md 起一次 Docker 沙箱，確認你的資料在容器內的掛載與網路策略符合內部規範。如果你的場景只是單一 CSV 的問答，或團隊沒有可跑 8B 推論的 GPU，這個專案的整套管線與沙箱反而增加維運面，用一般程式代理加 pandas 就夠。
- 可以商用嗎？
- 可以。MIT 是寬鬆授權：你可以使用、修改並販售以它為基礎的軟體，只需保留著作權與授權聲明。
- 還在維護嗎？
- 有在維護。儲存庫最近一次提交在 4 天前。
- 用什麼語言寫的？
- 主要是 Python（依據 GitHub 的語言統計）。
以上回答依據專案的 GitHub 資料（最近同步於 2026年9月15日）與我們的分析，不構成法律意見。
開源專案深度解析
它想解決的不是「寫一段 pandas」，而是整條分析鏈的斷點
多數資料分析助理停在生成程式碼那一步：使用者貼上欄位說明，模型回一段 pandas，跑不跑得起來、欄位對不對、結論有沒有依據，全交給人。DeepAnalyze 的定位是把這條鏈補完。README 列出的範圍包含資料準備、分析、建模、視覺化與報告生成，並且明確寫到可以處理結構化（資料庫、CSV、Excel）、半結構化（JSON、XML、YAML）與非結構化（TXT、Markdown）資料，最後產出所謂 analyst-grade 的研究報告。
目標使用者因此不是隨手查數的業務人員，而是需要反覆對多來源資料做探索、又不想每次重寫腳本的分析團隊。README 也提到它被用作 2026 年中國大學生計算機設計大賽大數據主題賽的官方代理，這透露了它的典型負載：題目給定一批異質檔案，參賽者要找出相關資料、寫出可執行程式、給出答案。這與後來釋出的 CoDA-Bench 描述一致，該 benchmark 在 Linux 沙箱中放入數百個資料檔案，要求代理自行發現資料並產出結果。
需要說清楚的是，README 用 first agentic LLM for autonomous data science 這種表述，屬於團隊自己的定位宣稱，不是可驗證的排名。它的實際能力邊界要看你餵進去的資料形態與沙箱設定，而不是這句標語。
模型、語料、WebUI 三件套：開源範圍到底開到哪裡
DeepAnalyze 的開源不是只放推論程式。README 明確列出四項：模型權重（Hugging Face 上的 RUC-DataLab/DeepAnalyze-8B）、程式碼（GitHub 上的 ruc-datalab/DeepAnalyze）、訓練資料（DataScience-Instruct-500K）與 demo。訓練語料一併釋出這件事，決定了你能不能針對自家領域做後訓練，而不只是拿現成權重硬套。
參數量是 8B。這個數字是整個專案最重要的約束：它意味著單張消費級或工作站級 GPU 有機會跑得動，也意味著它在需要長鏈推理、跨多檔案比對的任務上，會比更大的通用模型更容易在中途偏離。README 沒有給出任何推論延遲、吞吐或硬體需求的數字，所以任何關於「跑多快」的說法都不該從這份材料推導。
授權是 MIT。對企業內部部署而言這是相對寬鬆的條款，但要注意 MIT 涵蓋的是這個 repo 的程式碼；模型權重與訓練語料各自掛在 Hugging Face 上，其授權條件需要另外確認，README 沒有在此交代。把 MIT 直接套用到權重上是不準確的推論。
另外，README 的 News 區塊提到 DeepPrep 這個資料準備的配套系統，以及 DA-Studio 被 VLDB 2026 Demonstration Track 接受，後者是 DeepAnalyze WebUI v2（demo/chat_v2）背後的系統。這些是路線圖與學術發表層面的資訊，不代表你現在 clone 下來就能用到。
代理迴圈與沙箱：資料流從哪裡進、從哪裡出
從 repo 結構與 News 可以拼出執行架構的輪廓。代理接收一個自然語言問題，在環境中探索可用的資料檔案，撰寫並執行程式，根據執行結果決定下一步，直到產出報告。這是典型的 code-as-action 迴圈，與單純的 RAG 問答不同：模型不是檢索文字片段後作答，而是真的在環境裡跑程式、看輸出。
關鍵設計在於執行程式的地方是沙箱。2026.03.16 的更新寫明 WebUI v2 支援 Docker-based sandboxed code execution，並支援 HeyWhale API。把程式執行放進容器，是這類代理能不能在真實環境用的分界線：模型產生的程式碼會讀檔、寫檔、可能連資料庫，若直接在宿主機執行，一次錯誤的刪除或路徑穿越就是事故。
同一則更新也提到支援 OpenAI-style API endpoints 與命令列終端介面（終端機支援由貢獻者 @LIUyizheSDU 加入），以及 JupyterUI 的整合。這些入口的意義是：你可以把 DeepAnalyze 當成一個服務接進既有工具鏈，而不是只能開它的網頁介面。
CoDA-Bench 的描述補上了另一半：代理面對的是 Linux 沙箱中數百個檔案，必須先做資料發現，也就是判斷哪些檔案與問題相關。這一步往往比寫程式更難，因為它需要對檔名、schema 與內容做取捨。README 沒有說明 DeepAnalyze 在檔案檢索上用了什麼機制（是索引、是逐檔掃描、還是靠模型自己列目錄），這是一個材料無法回答、但你部署前應該實測的環節。
跑起來需要的東西：從權重到容器
README 本身沒有給出安裝指令，這是這份材料的明顯缺口。可以確認的入口有三個：Hugging Face 上的 RUC-DataLab/DeepAnalyze-8B 取得權重、GitHub repo 取得程式碼、以及 demo/chat_v2/README.md 取得 WebUI v2 的部署說明。README 明確寫到 WebUI v2 的細節在 ./demo/chat_v2/README.md，所以真正的安裝步驟要以那份文件為準，而不是根目錄這份。
能從材料確認的設定面向包括：Docker 沙箱執行、HeyWhale API 支援、OpenAI-style API endpoints、以及 API key 的申請流程（透過 Google Form 或 Feishu Form，使用說明在 docs/DeepAnalyze_API_Key_Usage_Guide.md）。如果你不想自架模型，走 API key 這條路是門檻最低的起點；如果要自架，就要準備能承載 8B 的 GPU 與容器執行環境。
這裡有一個實務上的順序建議，且是綁定本專案的：先照 demo/chat_v2/README.md 把 Docker 沙箱起起來，確認容器內看得到你掛載的資料目錄，再去接模型權重。反過來做的話，你會先花時間在推論環境上，卻還不知道代理能不能讀到你的檔案。
至於版本管理，README 的 Recent releases 欄位沒有檢索到任何正式 release，所有變更都以 News 條目的日期呈現。這表示沒有語意化版本可以鎖，升級時你得自己對照 commit 或日期，這對需要可重現環境的團隊是一個額外成本。
什麼情況下它會讓你失望
第一個限制來自模型規模。8B 的代理在單一資料表、明確問題上通常夠用；但當任務需要在數百個檔案間做多輪比對、還要維持中間結論一致時，長鏈推理的穩定性會是瓶頸。README 與 News 都沒有提供任何準確率或任務成功率的數字，所以無法從材料判斷它在 CoDA-Bench 上的表現。要採用就得自己拿內部題目測。
第二個限制是沙箱的維運責任。Docker-based sandboxed code execution 把安全邊界交給了容器設定，而容器設定是你的事。README 沒有描述沙箱的資源上限、網路隔離或檔案系統唯讀策略。代理產生的程式碼若在容器內有網路，就可能把資料往外送；若掛載了宿主目錄，容器隔離的意義就大打折扣。這些是部署者要自己決定的事，不是專案幫你決定的事。
第三個限制是資料庫連線。README 把 Databases 列為支援的結構化資料來源之一，但沒有說明連線憑證如何管理、是否支援唯讀帳號、代理能否執行寫入語句。在生產資料庫上直接讓代理自由生成並執行 SQL，風險等級與在 CSV 上跑 pandas 完全不同。
第四個是報告的可信度。專案承諾產出專業分析報告，但報告的價值取決於每個結論能否回溯到具體欄位與計算。材料沒有描述引用機制。若你的場景需要審計軌跡，這一點必須先驗證。
與通用程式代理的差別在哪裡
最直接的替代方案是通用程式代理，例如把一個通用 LLM 接上程式執行工具，讓它在容器裡寫 pandas 或 SQL。兩者的執行迴圈其實很像，差別在訓練資料。DeepAnalyze 的訓練語料是 DataScience-Instruct-500K，README 說明它與模型、程式碼一起開源，這意味著模型在資料清理、欄位推斷、圖表選擇這類動作上有針對性的先驗，而不是靠通用推理臨時拼湊。
第二個差別是輸出形態。通用代理通常回一段程式碼或一段文字答案；DeepAnalyze 的目標是產出報告，README 把它描述為 analyst-grade research reports，涵蓋視覺化與敘述。如果你的下游要的是給人看的交付物而不是程式碼，這個差異會體現在整合成本上。
第三個差別是可後訓練性。通用代理你只能調 prompt 或換模型；DeepAnalyze 因為釋出了 DataScience-Instruct-500K，你可以在此基礎上做領域適配。代價是你得有能力做後訓練，這對多數團隊不是小事。
反過來說，通用代理的優勢是生態與彈性：工具鏈成熟、模型選擇多、遇到非資料科學任務不必換系統。如果你只需要偶爾跑一次分析，通用代理加現成工具的成本更低。DeepAnalyze 的價值在於把資料科學這條窄而深的流程做成一體，窄與深既是它的優勢也是它的邊界。
維護成本與採用判斷
維護成本有三塊。第一塊是模型推論環境，8B 權重需要 GPU 與相應的服務框架，這部分與其他自架 LLM 專案沒有本質差別。第二塊是沙箱，Docker 映像需要跟著更新，容器策略需要隨你的資料治理要求調整，這塊是持續的。第三塊是版本追蹤，由於沒有正式 release，你得自己盯 News 條目與 commit 來決定何時升級。
授權方面，repo 採用 MIT，這是相對寬鬆的選擇，允許商用與修改。但如前所述，模型權重與資料集託管在 Hugging Face，其授權條件不在這份 README 的範圍內，採用前應自行確認。這裡不提供法律意見，只指出資訊缺口的位置。
至於該不該用，判斷點很具體：你有沒有可跑 8B 的硬體、你的資料能不能放進容器、以及你能不能用內部題目驗證它在多檔案檢索上的表現。這三題有一題答不出來，這個專案對你就還是觀望階段。
編輯結論
如果你要的是一個可以自己部署、自己微調、跑在內部資料上的資料分析代理，DeepAnalyze 把模型權重、訓練語料（DataScience-Instruct-500K）與 WebUI 一起放出來，這在同类專案裡並不常見，值得先下載 DeepAnalyze-8B 權重並照 demo/chat_v2/README.md 起一次 Docker 沙箱，確認你的資料在容器內的掛載與網路策略符合內部規範。如果你的場景只是單一 CSV 的問答，或團隊沒有可跑 8B 推論的 GPU，這個專案的整套管線與沙箱反而增加維運面，用一般程式代理加 pandas 就夠。評估時先驗證三件事：模型在你的資料庫連線下能否正確產生可執行 SQL、沙箱是否真的隔離了檔案系統、以及報告輸出的引用是否指回真實欄位。
社群筆記