NishaVijai/streamlit-rag-data-analyst

# 📊 Streamlit RAG 数据分析师

## 🧠 AI 驱动的商业数据分析师 (RAG + LLMs) 一个使用 **Streamlit** 构建的**检索增强生成 (RAG) 分析助手**，支持使用 **GPT-4.1 Mini / LLaMA 3** 对 CSV 数据集进行自然语言分析。 它将原始数据转化为： - 📌 洞察 - ⚠️ 风险 - 💡 机遇 - 📈 可视化建议 ## 🚀 在线应用 👉 **[启动 Streamlit 应用](https://app-rag-data-analyst-pk9ohfsmd8ps2hfxwpqwbp.streamlit.app/)** ## 📸 界面预览 ## ✨ 功能 - 📂 上传您自己的 CSV 数据集 - 📦 预加载示例数据集，方便即时测试 - 📈 交互式数据集可视化 (Plotly) - 🔎 检索增强生成 (RAG) 上下文过滤 - 🧠 AI 驱动的商业分析 (GPT-4.1 Mini / LLaMA 3) - ⚠️ 风险检测与异常洞察 - 💡 机遇识别 - 💬 与您的数据集聊天 - 🛡️ Prompt 注入防护层 - ⚡ 缓存数据集加载以优化性能 - 📊 可展开的数据集浏览器 ## 🧠 工作原理 (RAG Pipeline) 1. 用户上传或选择一个数据集 2. 用户提出自然语言问题 3. 系统使用轻量级 RAG 逻辑检索相关行 4. 检索到的上下文被注入到 LLM prompt 中 5. LLM 返回结构化的商业洞察 ## 📊 输出格式 AI 以结构化格式进行回复： - 📌 **洞察** → 关键趋势、模式 - ⚠️ **风险** → 异常、下降、隐患 - 💡 **机遇** → 增长信号 - 📈 **推荐图表** → 最佳可视化方案 ## 📂 默认数据集 如果未上传文件，应用将加载： - `sales.csv` 您可以通过上传自己的 CSV 文件来覆盖它。 ## 🛠️ 本地运行 git clone https://github.com/your-username/streamlit-rag-data-analyst.git cd streamlit-rag-data-analyst pip install -r requirements.txt streamlit run streamlit_rag_analysis_prompt_app.py ## 🔐 环境变量 为本地开发创建一个 `.env` 文件： GITHUB_TOKEN_GPT_MINI=your_token_here GITHUB_TOKEN_LLAMA_INSTRUCT=your_token_here ## 🧰 技术栈 - Streamlit - Pandas - Plotly - PyYAML - Requests - GitHub Models API - GPT-4.1 Mini - LLaMA 3 70B ## 🛡️ 安全功能 - Prompt 注入检测层 - 系统 prompt 隔离 - 安全上下文注入 - 安全上下文构建器 (防止 LLM 过载) - 基于 RAG 的受控数据检索 - API 故障处理与回退安全机制 ## 📌 说明 - 本项目专为商业分析用例设计 - 最适合结构化的 CSV 数据集 - 针对中小型数据集进行了优化 (建议 < 5MB)

标签：DLL 劫持, Kubernetes, LLM, RAG, Streamlit, Unmanaged PE, 代码示例, 商业智能, 大语言模型, 恶意代码分类, 数据分析, 访问控制, 逆向工具