AI辅助数据分析报告产品开发实操教程

围绕用AI工具独立开发数据分析报告产品展开。

一、课程核心目标

借助AI工具独立开发一款数据分析报告自动生成产品，实现核心功能：用户上传Excel数据表格+输入分析需求，产品自动生成Python代码、处理数据并输出基于ECharts的可视化分析报告，全程无需大量手写代码，无需跨团队协作。

二、推荐使用的AI工具及特点

本次开发全程依赖AI工具写代码，不同工具各有优劣，零基础优先选免费、易上手、额度不限的工具，网络通畅是前提，各工具特点如下：

工具/模型	核心特点	适用场景	零基础推荐度
反重力（anti Gravity）	谷歌推出，内置Claude模型（含Opus顶级模型）免费不限量，Gemini3Pro限量使用；写代码可一稿过	核心开发、快速生成代码	⭐⭐⭐⭐⭐
Claude（Claude code/Opus）	代码生成能力强，反重力中可白嫖，支持结构化输出、流式输出相关代码编写	核心开发、bug排查、提示词优化	⭐⭐⭐⭐⭐
Cursor	专为代码开发设计的IDE，内置AI模型，可直接在工具内写代码、改代码	代码编写、本地调试	⭐⭐⭐⭐
Kimi	支持长文本，可生成前后端代码，但代码质量一般，易出样式/功能问题	快速生成项目雏形	⭐⭐⭐
Deepseek	无额度/限速限制，API调用友好，适合作为后端模型配置	环境配置、后端模型调用	⭐⭐⭐⭐
GPT5.1	提示词理解能力强，可评估产品思路、生成核心代码示例	提示词完善、技术方案评估	⭐⭐⭐⭐
Gemini3Pro	谷歌顶级模型，代码质量高，但免费额度限量，一次任务即用完当日额度	小范围测试、核心代码优化	⭐⭐⭐

零基础核心推荐：优先用反重力（anti Gravity） 的Claude模型，免费不限量、代码生成质量高，网络ok即可白嫖；搭配Cursor做本地代码调试，体验更佳。

三、两种开发路径（零基础选独立开发）

课程提供两种数据分析产品开发路径，零基础直接选独立开发路径，无需跨团队协作、无需写大量文档，效率更高：

1. 协作开发路径：写详细PRD文档→跨团队沟通协作→分工开发，需撰写近10万字文档，流程繁琐；

1. 独立开发路径（本节课核心）：自己梳理产品核心逻辑→用提示词向AI描述需求→AI自动生成全套代码→本地调试优化，无需协作，核心逻辑梳理清楚即可，大幅简化开发流程。

四、产品核心功能与核心流程

1. 产品核心功能

用户上传Excel数据表格（如电商销售订单数据），输入具体分析需求（如“分析优惠券策略并生成复盘报告”），产品自动完成数据处理→代码生成→可视化分析，最终输出一份完整的可视化分析报告。

2. 产品核心流程

用户上传Excel+输入分析需求→大模型根据需求生成Python代码→调用langcode工具处理数据→基于ECharts生成可视化图表→输出完整的结构化分析报告

3. 核心循环（agent循环）

数据分析过程不是“一次完成”，而是大模型作为独立决策者，自主多轮交互完成分析：大模型根据任务和数据制定分析计划→决策调用哪个工具→执行工具并获取返回结果→根据结果继续调整计划，直至完成分析，这是产品的核心逻辑，无需零基础深究其原理，只需让AI理解并实现即可。

五、开发核心技术点（零基础易懂版）

课程中涉及的核心技术均由AI完成开发，零基础只需知道技术名称、能向AI描述需求即可，无需自己手写代码，关键技术点通俗解释如下：

1. Python代码动态执行：无需搭建Docker/代码沙盒（AI会推荐，但本地测试无需），可在Python代码中直接运行代码片段，是本地测试的核心方案，只需向AI说明“代码仅用于本地测试，风险可控”，AI会自动实现该功能；

1. 流式输出+分组件结构化展示：后端保持AI的流式输出（文字/代码一点点生成），让模型按专属标记输出内容（如思考过程标thinking、代码标code），前端识别标记后，将不同内容塞进不同组件（如思考过程放一个框、代码放一个框、图表放一个框），实现“边输出边展示不同内容”的效果，这是产品交互的关键；

1. agent循环最小可行性代码：AI生成的实现“大模型多轮交互分析”的最简代码，是产品的核心逻辑代码，零基础可直接复制AI生成的代码使用，只需验证逻辑是否合理；

1. ECharts可视化：产品的图表生成工具，只需在提示词中要求“基于ECharts生成可视化分析报告”，AI会自动完成前端图表开发，要求“前端界面简洁”即可，无需复杂样式。

六、AI提示词编写技巧

提示词是让AI生成符合要求代码的关键，零基础无需一次性写好提示词，可边和AI聊天边完善，核心编写步骤和要点如下：

1. 提示词编写核心步骤

1. 梳理简单版需求：先把产品核心需求用大白话写出来，如“生成数据分析报告产品，用户上传Excel，大模型动态生成Python代码，多轮交互分析，流式输出，前端分组件展示”；

1. 让AI评估可行性：将简单需求发给AI，让AI评估产品思路是否可行，获取AI的技术建议；

1. 针对痛点追问AI：对自己不懂的技术点向AI提问，如“不用Docker/沙盒，Python代码怎么执行？专业叫法是什么？”“agent循环的最小可行性Python代码给一个”“流式输出+分组件展示的专业技术表述是什么？”；

1. 整合AI回答：将AI的答案、技术表述、代码示例整合到提示词中，让提示词更专业；

1. 扔给AI生成代码：将最终提示词发给AI（反重力/Claude/Cursor），AI会生成全套前后端代码。

2. 提示词必须包含的核心内容

为避免AI生成的代码不符合要求，提示词中需明确以下内容，零基础直接照搬框架即可：

• 项目论述：明确产品功能（用户上传Excel+分析需求→生成Python代码→langcode处理数据→ECharts可视化分析报告）；

• 核心逻辑：要求大模型作为独立决策者，多轮交互分析（agent循环），而非一次完成；

• 技术要求：基于ECharts做可视化、实现流式输出+标记化分组件展示、Python代码动态执行（无需Docker/沙盒）；

• 环境说明：代码仅用于本地测试，风险可控（避免AI杠精，反复推荐Docker）；

• 前端要求：界面简洁，无需复杂样式，按标记分组件展示内容；

• 代码要求：生成完整前后端代码，提供启动教程、环境配置说明。

3. 小技巧

和AI聊出来的提示词、技术答案要及时保存，后续开发其他产品可直接复用，无需重新提问。

七、手把手实操步骤

本次实操目标：开发一款数据分析报告产品，测试电商销售订单数据的优惠券策略复盘分析，全程用AI生成代码，仅做本地测试，步骤具体到每一个操作，零基础直接跟着来。

步骤1：创建项目文件夹

在电脑本地创建一个文件夹，命名为data report agent，作为项目根目录，后续所有代码、文件都放在这个文件夹里。

步骤2：调用AI生成全套代码

1. 打开推荐的AI工具（反重力Claude/ Cursor/ Kimi），将编写好的提示词发送给AI；

1. 等待AI生成代码，AI会返回前后端全套代码+启动说明，将所有代码文件下载/复制到data report agent文件夹中；

1. 若有课程提供的示例代码，直接将示例代码也放入该文件夹，辅助AI生成更规范的代码。

步骤3：打开项目并准备环境

1. 打开Cursor工具，点击“打开文件夹”，选择data report agent，将项目导入Cursor（用Cursor做本地调试最方便）；

1. 准备Python环境：确保电脑安装了Python和pip，重点：为避免环境冲突，一定要打开Python虚拟环境（可让AI教你“如何开启Python虚拟环境”）。

步骤4：环境配置（最关键，易踩坑）

AI生成的代码需要配置API key、模型地址、模型名称，否则无法运行，核心操作：

1. 安装依赖：在Cursor的终端中，依次输入指令进入后端/前端目录，安装依赖（AI会提供具体指令，如cd backend && pip install -r requirements.txt/cd frontend && npm install）；

• 若安装依赖报错，先升级pip：python -m pip install --upgrade pip，再重新安装；

1. 创建.env配置文件：在项目根目录/backend目录下创建.env文件，文件中配置以下内容（零基础直接复制框架，替换成自己的信息）：

Plain Text # 模型API key（自己的Claude/Deepseek/GPT key） API_KEY=你的key值 # 模型基础地址（AI会提供，如Deepseek的base URL） BASE_URL=模型的base url # 模型名称（如Claude code 4.5/Deepseek chat/GPT5.1） MODEL_NAME=你使用的模型名

1. 避免AI模型踩坑：将AI模型从auto换成Claude code 4.5，auto模型会混合烂代码，导致产品运行异常。

步骤5：启动前后端服务（避免端口占用）

AI生成的代码默认后端端口8000、前端端口3000，若端口被占用，需在代码中替换为其他端口（如8005、3005），核心：启动前后端必须新开终端，不能在同一个终端执行，操作如下：

1. 启动后端：在Cursor中新开一个终端，输入AI提供的后端启动指令（如cd backend && python main.py），看到“后端启动成功，端口8005”即完成；

1. 启动前端：再新开一个终端，输入AI提供的前端启动指令（如cd frontend && npm run dev），看到“前端启动成功，端口3005”即完成；

1. 若提示端口被占用，在代码中搜索“8000/3000”，全部替换为“8005/3005”，重新启动即可。

步骤6：测试产品功能

1. 前端启动成功后，会生成一个本地访问地址（如http://localhost:3005），在浏览器中打开该地址；

1. 上传数据：点击页面的“上传文件”，选择准备好的Excel数据（如电商销售订单数据）；

1. 输入分析需求：在输入框中填写具体的分析需求，如“以上是电商后台导出的销售订单数据，分析表格的字段和数据，生成一份优惠券策略的复盘报告”；

1. 点击分析：提交需求后，观察产品是否正常运行，是否生成思考过程、代码、可视化图表。

八、实操常见问题与排查方法

零基础实操中，AI生成的代码会出现各种bug，无需自己手动改代码，只需将报错信息复制给AI，让AI自己修复即可，课程中遇到的所有常见问题及排查方法如下，直接照搬：

问题现象	大概率原因	零基础解决方法
安装依赖报错（requirements失败）	Python环境冲突、pip版本过低	1. 开启Python虚拟环境； 2. 升级pip：python -m pip install --upgrade pip； 3. 重新安装依赖
提示端口被占用（already in use）	8000/3000端口被其他程序占用	在代码中全部替换为8005/3005，重新启动前后端
API key错误/额度不足	key填错、base URL/模型名不匹配	1. 检查API key是否正确； 2. 确认base URL和模型名对应（如Deepseek的url配Deepseek模型）； 3. 换用反重力的Claude（无额度限制）
产品卡在“分析中”，无任何反应	1. AI模型为auto；2. 无调试日志；3. 后端有返回前端未同步	1. 模型换成Claude code 4.5； 2. 让AI添加调试日志； 3. 检查终端，若后端有数据返回，让AI修复前端同步代码
流式输出失效，内容一次性显示	前端未识别AI的标记化输出	将现象复制给AI，要求“实现模型标记化输出，前端识别标记分组件流式展示”
前端无样式/白屏/报错	AI未安装样式依赖（如Tailwind）	将前端报错信息复制给AI，要求“安装缺失的样式依赖，修复前端CSS/页面白屏问题”
配置脚本报错（OS is not defined）	未配置API key或配置文件路径错误	1. 检查.env文件是否配置正确； 2. 在终端中重新输入API key配置指令； 3. 让AI修复配置脚本
上传文件后无反应	前端文件上传组件未开发完成	将现象复制给AI，要求“修复Excel文件上传功能，确保文件能正常保存并传给后端”

核心排查技巧：无论遇到什么问题，直接将终端/浏览器的报错信息截图/复制给AI，并说明问题现象，让AI自己修改代码，零基础无需懂代码含义。

九、学习与实操建议

1. 工具不贪多：优先反重力的Claude（免费不限量），付费的话推荐Cursor（专为代码开发设计）；

1. 模型避坑：坚决不用auto模型，生成的代码质量差，优先选Claude code 4.5、Deepseek、GPT5.1；

1. 心态放平：AI生成的代码不可能完美，一定会有各种bug，不用慌，只需一遍遍让AI排查修复，这是开发的正常过程；

1. 环境管理：Python开发一定要开虚拟环境，避免不同项目的依赖冲突，这是核心避坑点；

1. 终端使用：启动前后端必须新开终端，否则会导致指令冲突，服务启动失败；

1. 积累复用：和AI聊的提示词、技术答案、修复后的代码要及时保存，后续开发其他产品可直接复用，节省时间。

十、核心名词解释

1. agent循环：大模型作为数据分析的决策者，多轮交互制定计划、调用工具、处理数据的过程，是本次产品的核心逻辑；

1. 动态执行：在Python代码中直接运行代码片段的方式，无需搭建Docker/沙盒，适合本地测试；

1. 流式输出：AI生成内容时“一个字一个字往外蹦”，而非一次性输出，提升产品交互体验；

1. 结构化输出：AI按固定格式/标记输出内容，如思考过程、代码、图表分开输出；

1. Docker/沙盒：代码运行的隔离环境，AI推荐用于生产环境，本地测试无需搭建；

1. .env文件：环境配置文件，用于存放API key、模型地址等敏感信息，避免直接写在代码中；

1. 端口：前后端服务的访问入口，如8000/3000，不同服务需用不同端口，否则会冲突；

1. ECharts：前端可视化图表工具，可生成折线图、柱状图、饼图等，本次产品用于生成分析图表；

1. langcode：AI调用的处理数据的工具，可自动清洗、分析Excel数据，无需零基础手动处理。