TaskWeaver (Microsoft) Implementation for Analytical AI Agents

TaskWeaver for Analytical AI Agents (Microsoft)

TaskWeaver — фреймворк Microsoft Research для построения аналитических агентов, специализирующихся на выполнении кода. Ключевая концепция: агент генерирует Python-код для решения задачи, выполняет его в sandbox, анализирует результат и итерирует. Это делает TaskWeaver особенно эффективным для задач анализа данных, работы с датасетами и численных расчётов.

Базовая настройка TaskWeaver

# pip install taskweaver
# Или из репозитория
git clone https://github.com/microsoft/TaskWeaver.git
cd TaskWeaver
pip install -r requirements.txt

// project/taskweaver_config.json
{
  "llm.api_base": "https://api.openai.com/v1",
  "llm.api_key": "sk-...",
  "llm.model": "gpt-4o",
  "planner.example_base_path": "${AppBaseDir}/examples",
  "code_interpreter.use_local_uri": true,
  "code_interpreter.allowed_modules": ["pandas", "numpy", "matplotlib", "sklearn", "scipy"]
}

Запуск аналитической сессии

from taskweaver.app.app import TaskWeaverApp

app = TaskWeaverApp(app_dir="./project")
session = app.get_session()

# Анализ данных
response = session.chat(
    "Загрузи файл sales_2024.csv, проведи EDA: "
    "базовую статистику, распределения, выявление аномалий. "
    "Создай визуализации ключевых паттернов."
)

# TaskWeaver:
# 1. Сгенерирует код pandas/matplotlib
# 2. Выполнит его
# 3. Вернёт результаты и графики

print(response.post_list[-1].get_artifact())  # Артефакты (изображения, данные)
print(response.post_list[-1].get_text())      # Текстовые выводы

Кастомные плагины (инструменты)

# project/plugins/db_query.py
from taskweaver.plugin import Plugin, register_plugin
import pandas as pd

@register_plugin
class DatabaseQueryPlugin(Plugin):
    """Плагин для запросов к корпоративной БД"""

    def execute(self, query: str, database: str = "analytics") -> pd.DataFrame:
        """
        Выполняет SQL-запрос к корпоративной базе данных.

        Args:
            query (str): SQL-запрос
            database (str): База данных (analytics, sales, hr)

        Returns:
            pd.DataFrame: Результат запроса
        """
        conn = get_db_connection(database)
        return pd.read_sql(query, conn)

# project/plugins/db_query.yaml
name: db_query
enabled: true
required: false
description: Execute SQL queries against corporate databases
examples:
  - "db_query('SELECT * FROM monthly_sales WHERE year=2024', 'sales')"

Мульти-шаговый анализ

# TaskWeaver поддерживает многошаговые аналитические задачи

# Шаг 1: Загрузка и очистка данных
session.chat(
    "Загрузи данные продаж из БД за 2024 год и очисти: "
    "удали дубликаты, обработай пропуски, нормализуй форматы дат"
)

# Шаг 2: Анализ трендов (агент помнит контекст)
session.chat(
    "На очищенных данных проведи анализ сезонности: "
    "декомпозиция временного ряда, STL-разложение"
)

# Шаг 3: Прогноз
session.chat(
    "Построй прогноз на Q1 2025 с помощью Prophet. "
    "Оцени точность на последних 3 месяцах (backtesting)"
)

# Шаг 4: Отчёт
result = session.chat(
    "Сформируй markdown-отчёт с ключевыми находками, "
    "встроенными графиками и таблицей прогноза"
)

Практический кейс: автоматизация финансового анализа

Задача: финансовый аналитик ежемесячно тратил 2 дня на подготовку отчёта: загрузка данных из 3 источников, расчёт 15 KPI, построение 8 графиков, выявление аномалий.

TaskWeaver-агент выполнял весь цикл автономно:

1. Запросы к PostgreSQL (выручка, затраты)
2. Загрузка Excel-файлов (бюджет)
3. Расчёт KPI через pandas
4. Построение графиков (matplotlib/plotly)
5. Генерация markdown-отчёта с выводами

Результаты:

• Время подготовки отчёта: 2 дня → 25 минут автономной работы + 40 минут ревью
• Ошибки в формулах расчёта KPI: 0 (vs 2–3/квартал вручную при копировании Excel)
• Аналитик: тратит время на интерпретацию, а не на рутинные расчёты

Сроки

• Базовая настройка и первые аналитические задачи: 2–3 дня
• Разработка кастомных плагинов для корпоративных источников: 1 неделя
• Настройка sand box и безопасного выполнения кода: 3–5 дней
• Production-интеграция с планировщиком: 1 неделя