استعرض Google ADK خط أنابيب multi-agent لتحليل البيانات والرسوم البيانية والتقارير في Python

حصل Google ADK على حالة استخدام عملية أخرى: مسار أنابيب متعدد الوكلاء خطوة بخطوة لتحليل البيانات في Python. يوضح المثال ليس فقط دردشة مع وكيل، بل مخطط عمل كامل يمكنه تحميل الجداول وحساب الإحصائيات وبناء الرسوم البيانية وتحويل البيانات وتجميع التقرير النهائي.

كيف يعمل المسار

أساس المثال هو مزيج من google-adk وpandas وnumpy وscipy وmatplotlib وseaborn وopenpyxl. أولاً، يقوم المطور بإعداد البيئة وتكوين الوصول إلى API وتحديد النموذج من خلال LiteLlm. يستخدم الكود openai/gpt-4o-mini، وهذه نقطة مهمة: يعمل Google ADK هنا ليس كإطار عمل حصري لـ Gemini، بل كطبقة أوركسترا يمكنها العمل مع نماذج خارجية من خلال غلاف معياري.

هذا يجعل البرنامج التعليمي أقرب إلى سيناريوهات الإنتاج الحقيقية، حيث يتم بناء المكدس نادراً حول بائع واحد فقط. بعد ذلك، يجمع الدليل متجر بيانات مشترك—مستودع مركزي لأطر البيانات وسجل التحليل. يحتفظ به بملفات CSV المحملة ومجموعات بيانات الاختبار المُنشأة ونتائج الخطوات الوسيطة. تُضاف مساعدة منفصلة للتسلسل، بحيث يمكن إرجاع استجابات الأدوات بأمان في JSON.

بالنسبة للتحليلات التطبيقية، هذا ليس مجرد تجميل: بدون طبقة من هذا القبيل، يصطدم نظام متعدد الوكلاء سريعاً بأنواع غير متوافقة وتكرار البيانات وحالة غير واضحة بين الخطوات، خاصة عندما يستمر وكيل واحد في عمل آخر.

كيف يتم توزيع الأدوار

بدلاً من وكيل "عام" واحد، يقسم المؤلفون العمل إلى عدة أدوار متخصصة. يقرب هذا المسار فريق تحليل حقيقي، حيث نادراً ما يعيش تحميل البيانات والاستكشاف والتصور وتحويل الجداول وتحضير الاستنتاجات في سكريبت واحد كبير. يبسط هذا النهج التوسع: يمكن تغيير الكتل الفردية واختبارها وإعادة استخدامها دون إعادة بناء السلسلة بأكملها، والوكيل الرئيسي يحصل على منفذين أكثر قابلية للتنبؤ للمهام المحددة.

• data_loader يحمل CSV وينشئ مجموعات بيانات نموذجية: sales وcustomers وtimeseries وsurvey
• statistician يحسب الإحصائيات الوصفية والارتباطات وShapiro-Wilk وt-test وANOVA وchi-square
• visualizer يبني histogram وscatter وbar وline وbox وheatmap وpie، ويُنشئ تقرير توزيع من أربعة رسوم بيانية
• transformer يصفي الصفوف ويجمع الجداول ويضيف أعمدة محسوبة
• reporter يجمع تقرير ملخص بجودة البيانات والقيم المفقودة والنسخ المكررة والنتائج الرئيسية

فوقهم يقف الوكيل الرئيسي data_analyst، الذي يوجه الطلبات بين المتخصصين. تُحفظ الجلسة عبر InMemorySessionService، والتنفيذ يتم عبر Runner. نتيجة لذلك، يمكن للمستخدم تعيين المهام باللغة الطبيعية: إنشاء مجموعة بيانات المبيعات والتحقق من طبيعة التوزيع وبناء خريطة حرارية الارتباط ومقارنة الإيرادات بين مجموعات العملاء أو تجميع التقرير النهائي.

بالنسبة لـ ADK، هذا مثال جيد على كيفية تحول معمارية الوكلاء من عرض توضيحي إلى سير عمل مُدار برأوار واضحة وتسلسل شفاف من الخطوات.

من الكود إلى التحليل

نقطة قوة المثال هي أنه يغطي رحلة التحليل بأكملها، وليس قطعة واحدة فقط. يمكن للنظام أن يبدأ ببيانات خام أو مجموعات بيانات مُنشأة، ويوصف بسرعة بنية المجموعة، ويحسب التوزيعات والقيم الشاذة، ثم ينتقل إلى الرسوم البيانية وفقط بعد ذلك إلى المقارنات الأكثر تعقيداً والاستنتاجات.

هذا الترتيب مهم: في التحليلات، غالباً ما تبدأ الأخطاء ليس في مرحلة النموذج، بل في وقت سابق، عندما لا يتم فهم البيانات جيداً والقرارات تُتخذ بناءً على الانطباعات الأولى من الجدول.

من المفيد أيضاً أن البرنامج التعليمي لا يقتصر على EDA. يتضمن خطوات لتحويل الجداول: التصفية حسب الشرط والتجميع حسب المجموعات وحساب الحقول الجديدة من خلال التعبيرات. بعد ذلك، يُنشئ الوكيل تقرير ملخص مع نظرة عامة على مجموعة البيانات ومستوى القيم المفقودة وعدد النسخ المكررة والرؤى العددية/الفئوية الأساسية.

أي أن ADK يُستخدم ليس لـ "حوار جميل عن البيانات"، بل لخط أنابيب قابل للتكرار يمكن تكييفه مع تحليلات الفريق الداخلية أو صندوق BI أو بيئة التدريب أو عرض قدرات نهج يعتمد على الوكلاء في مهمة عمل مفهومة.

ماذا يعني هذا

بالنسبة لـ Google ADK، مثل هذه الأمثلة أكثر أهمية من الإعلانات الصاخبة: فهي توضح أن الإطار يمكن بالفعل تطبيقه كأساس لمساعدي التحليل الحقيقيين. بالنسبة للمطورين، الإشارة بسيطة: يبدأ النهج متعدد الوكلاء في العمل ليس فقط في سيناريوهات البحث، بل أيضاً في مهام تحليل البيانات اليومية، حيث تكون هناك حاجة لخطوات شفافة وأدوات ونتائج قابلة للتكرار.