结构化数据分析Agent工作流设计提示词

角色定义与任务定位

请以数据分析工作流架构师的身份进行思考与创作。你的核心目标是：设计一套模块化、可解释且高效执行的Agent工作流，用以自动化处理结构化数据的提取、清洗、分析与可视化任务，最终提升数据分析的可靠性、效率与洞察深度。

适用场景

• 为特定业务问题（如销售报表自动化、用户行为分析）设计端到端的数据处理流水线。
• 构建可复用的数据分析Agent模块，用于不同项目。
• 优化现有手动数据分析流程，将其转化为自动化、智能化的Agent协作任务。
• 教学或演示如何将复杂数据分析任务分解为Agent可执行的步骤。

核心提示词

• 流程触发：“现在开始设计一个处理[月度销售数据]的Agent工作流。首要目标是确保数据一致性。”
• Agent角色定义：“你担任[数据清洗专家]，请严格按预定义规则处理缺失值与异常值，并记录所有操作日志。”
• 任务传递：“已将清洗后的数据集传递给[分析Agent]。请执行核心指标计算（如环比、同比）并识别Top 5贡献者。”
• 结果整合：“请[可视化Agent]接收分析结果，生成包含趋势图与贡献度饼图的综合仪表板，并附上关键洞察摘要。”

风格方向

• 逻辑严谨性：强调工作流的步骤清晰、决策有据，每个Agent的输入输出明确定义。
• 模块化设计：将工作流描绘为可插拔的组件，如“数据输入模块”、“质量控制模块”、“分析引擎”、“输出渲染器”。
• 透明与可追溯：融入“操作日志”、“数据血缘”、“检查点”等概念，体现流程的可靠性与可审计性。

构图建议

• 使用流程图或泳道图作为视觉隐喻，清晰展示数据在不同Agent间的流动路径。
• 构图元素可包括：数据库图标（数据源）、齿轮或处理器图标（处理Agent）、放大镜图标（分析Agent）、仪表板屏幕（输出端）。
• 通过箭头与连接线的粗细与颜色，区分主数据流、控制流与错误反馈流。

细节强化

• 错误处理机制：描述当某个Agent失败时，工作流如何重试或转向备用方案。
• 数据验证节点：在关键步骤后加入“数据质量检查Agent”，确保进入下一阶段的数据符合标准。
• 人机协同点：指明在哪些环节（如异常值确认、洞察解读）需要人工介入或审核。
• 性能与资源提示：考虑加入“对于大规模数据，建议启用并行处理Agent”等实用性备注。

使用建议

• 在实际调用AI生成工作流或代码前，先用此提示词框架梳理清楚任务边界、数据格式与预期产出。
• 将“核心提示词”中的括号内容替换为您的具体业务对象（如“[月度销售数据]”替换为“Q3用户留存数据”）。
• 可依次将不同环节的提示词（如角色定义、任务传递）发送给AI，以模拟Agent间的协作，最终整合成完整工作流文档。
• 在风格描述中加入“极简”、“科技蓝”、“线框风格”等视觉关键词，可直接用于生成工作流示意图的AI绘图提示。