为什么数据分析 Agent 适合从 CSV 开始
Anthropic 的 data analyst agent 示例选了一个很常见的场景，有人丢给你一个 CSV，然后问「里面有什么值得看」。这个任务足够真实，也足够可控。它不需要一上来连生产数仓，而是先把上传数据、运行分析、生成图表、输出 HTML 报告和下载产物跑通。对团队试点数据 Agent 来说，这是一个很稳的起点。
四个核心对象要分清
Cookbook 把 Claude Managed Agents 拆成 Agent、Environment、Session 和 Events。Agent 负责模型、系统提示、工具和技能；Environment 是预装依赖和网络策略的容器模板；Session 是一次具体分析任务；Events 是应用和 Agent 之间的消息流。团队做产品化时，这四个对象最好直接映射到后台数据模型里，否则后续很难排查某份报告到底由哪个版本、哪个环境生成。
环境里先装好分析依赖
示例把 pandas 和 plotly 放进 environment，这个选择很重要。不要让每次 session 都从 `pip install` 开始，那会增加失败率和等待时间。更好的做法是准备一套数据分析镜像，预装 pandas、numpy、plotly、openpyxl、pyarrow 等常用包，再给不同团队单独配置网络策略和输出目录。
系统提示要定义交付物
数据分析 Agent 不能只回答几句总结。它应该交付一份可打开、可分享、可复核的报告。提示词里要写清报告结构、图表要求、方法说明、限制条件和保存文件名。示例里要求保存 `report.html`，这个细节值得保留，因为它让前端或自动化流程可以稳定读取产物。
一条可复用流程
- 用户上传 CSV，系统先做格式、大小、列数和敏感字段检查。
- 创建 session，把数据文件作为 resource 挂载到分析环境。
- Agent 读取数据结构，先输出分析计划，再运行代码和绘图。
- 生成 HTML 报告，包含关键发现、图表、方法和异常值说明。
- 应用层下载报告和中间文件，同时归档事件流和 token 成本。
安全边界必须前置
示例为了演示使用了较宽的网络设置，但生产环境应该更谨慎。CSV 可能包含客户、交易、工资或医疗数据，默认不应该联网。Agent 运行代码时要限制文件系统、执行时间、内存和输出大小。报告发布前也要做脱敏检查，避免把原始敏感值直接渲染到 HTML 里。
建议产出
可以基于这篇 Cookbook 做一个「CSV 到报告」内部工具。第一版只支持上传文件、生成报告、查看图表和下载结果。等事件追踪、脱敏、失败处理都稳定后，再考虑连接数据库或 Slack。不要反过来，一开始就给 Agent 打开所有数据源。