铃阅
❌

阅读视图

AVA 4.0 实战:53 行核心代码,实现 Mini Data Agent

原创 半璇 2026-11-06 18:00 浙江

AVA 是面向 JavaScript 应用和 AI Agent 的开源数据分析与可视化框架,支持数据接入、业务语义配置、分析查询和图表生成。本文使用 AVA 执行分析与绘图,通过 AI SDK 组织工具调用,构建支持多轮分析与追问的 Mini Data Agent。

做一个 Data Agent,可以从一个很小的需求开始:给它一份销售数据,让它分析销售额下降主要来自哪些产品,并整理成一份带图表的简短报告。

Data Agent 的核心是由执行结果驱动的分析循环:模型提出查询,读取结果并核对,再决定是否补充分析。要让结论可核查,多次查询需要沿用统一的指标口径,图表也应直接引用实际计算结果。

AVA[1] 是面向 JavaScript 应用和 AI Agent 的开源数据分析框架,旨在连接企业数据,以可信分析与可视化支撑业务决策。类似 Python 生态中的 PandasAI[2],它支持用自然语言分析数据、生成图表。本文使用 AVA 执行分析与绘图,通过 AI SDK 组织工具调用,构建支持多轮分析与追问的 Mini Data Agent。

Data Agent 运行结构
Data Agent 运行结构

准备数据

先准备一份销售订单数据[3],共 240 笔订单、12 个字段。下面列出前 3 笔订单的日期、产品和销售额:

order_date(订单日期)

product(产品)

sales(折后销售额)

2025-01-01

Monitor

224.10

2025-01-02

Office Chair

680.20

2025-01-04

Monitor

2,191.20

YOUR_DATA 表示完整 CSV 解析得到的对象数组,其中 sales 为数值。

约定分析口径

接着,为 Agent 的分析约定口径:销售额按折后金额统计,月份以下单时间为准,变化额为本期减去上期。把这些约定写入语义配置,供多次查询和后续追问参考。

models:
-name:data
tableReference:
table:data
properties:
description:Eachrowrepresentsoneorder.
cubes:
-name:sales
baseObject:data
measures:
-name:total_sales
expression:CAST(SUM(sales)ASDOUBLE)
type:DOUBLE
description:Salesafterdiscounts,calculatedbysummingsales.
dimensions:
-name:product
expression:product
type:VARCHAR
timeDimensions:
-name:order_date
expression:CAST(order_dateASDATE)
type:DATE
properties:
description:|
        Compare both periods using the same set of products. Change is current-period sales minus prior-period sales; negative values indicate a decline.
        Change rate is change divided by prior-period sales. Return null when prior-period sales are zero, indicating that the rate is not applicable.

YOUR_SEMANTIC 表示这段 YAML 解析后的对象。

构建 Data Agent

数据和口径准备好后,将 AVA 的能力封装成两个工具:analyze 查询和计算数据,visualize通过结果编号引用分析数据并生成图表。

示例使用 Node.js 22.13.0 或更高版本,安装以下依赖:

npm install @antv/ava@4.0.0 ai@7.0.112 @ai-sdk/openai@4.0.73 zod@4.6.7

运行前设置环境变量 OPENAI_API_KEY 和 OPENAI_MODEL,模型需支持工具调用;使用兼容 OpenAI Chat Completions 的服务时,再设置 OPENAI_BASE_URL。

import { AVA } from'@antv/ava';
import { ToolLoopAgent, isStepCount, tool } from'ai';
import { z } from'zod';
asyncfunctioncreateDataAgent({ model, data, semantic }) {
const ava = new AVA({ llm: { model } });
await ava.source({ type: 'json', options: { data } });
await ava.semantic(undefined, () => semantic);
let messages = [];
const analyses = newMap();
const agent = new ToolLoopAgent({
    model,
instructions: `Analyze the user's task step by step, using conversation history to make each query self-contained.
    Use analyze to compute and verify data, and visualize to chart a saved result.
    Base conclusions on tool results and state what data is missing when evidence is insufficient.`
,
stopWhen: isStepCount(8),
tools: {
analyze: tool({
description: 'Query and analyze data using a self-contained question.',
inputSchema: z.object({ query: z.string() }),
execute: async ({ query }) => {
const analysis = await ava.analyze(query);
const resultId = `analysis-${analyses.size + 1}`;
          analyses.set(resultId, analysis);
return { ...analysis, resultId };
        },
      }),
visualize: tool({
description: 'Generate a chart using an exact resultId returned by analyze and a chart request.',
inputSchema: z.object({ resultId: z.string(), query: z.string() }),
execute: async ({ resultId, query }) => {
const analysis = analyses.get(resultId);
if (!analysis) thrownewError(`Unknown resultId: ${resultId}. Call analyze first.`);
return ava.visualize({ query, data: analysis.data });
        },
toModelOutput: ({ output }) => ({
type: 'json',
value: { chartType: output?.chartType ?? null },
        }),
      }),
    },
  });
return {
async ask(question) {
const input = [...messages, { role: 'user', content: question }];
const result = await agent.generate({ messages: input });
      messages = [...input, ...result.responseMessages];
return result;
    },
dispose: () => ava.dispose(),
  };
}

用这 53 行核心代码搭建好 Mini Data Agent 后,就可以发起分析,并在同一会话中继续追问:

import { writeFile } from'node:fs/promises';
import { createOpenAI } from'@ai-sdk/openai';
const model = createOpenAI({
apiKey: process.env.OPENAI_API_KEY,
baseURL: process.env.OPENAI_BASE_URL,
}).chat(process.env.OPENAI_MODEL);
const assistant = await createDataAgent({
  model,
data: YOUR_DATA,
semantic: YOUR_SEMANTIC,
});
try {
const task = `分析 2025 年 2 月较 1 月的销售额下降来源,列出各产品两个月的销售额和变化额,
按降幅排序、核对合计,并用条形图展示变化额。`
;
const answer = await assistant.ask(task);
console.log(answer.text);
for (const [index, { toolName, output }] of answer.toolResults.entries()) {
if (toolName === 'analyze') console.table(output.data);
if (toolName === 'visualize' && output) await writeFile(`chart-${index + 1}.html`, output.html);
  }
console.log((await assistant.ask('Laptop 销售额下降是因为促销结束了吗?')).text);
} finally {
await assistant.dispose();
}

查看结果

以下为从原始 CSV 独立汇总的参考结果,可用于核对 Agent 的输出。销售额从 1 月的 38,897.18 降至 2 月的 21,804.11,下降 43.94%:

产品

1 月销售额

2 月销售额

变化额(2 月 − 1 月)

Laptop

19,688.10

3,596.00

−16,092.10

Standing Desk

9,655.80

5,546.10

−4,109.70

Monitor

6,536.25

4,731.00

−1,805.25

Pen Set

232.20

127.71

−104.49

Bookshelf

1,225.50

1,251.30

+25.80

Copy Paper

59.19

137.06

+77.87

Notebook

31.50

137.03

+105.53

Keyboard

215.64

1,015.31

+799.67

Office Chair

1,253.00

5,262.60

+4,009.60

合计38,897.1821,804.11−17,093.07

各产品的变化额合计与整体变化一致。Laptop 是主要拖累,Office Chair 的增长抵消了部分下降。

2025 年 1 月至 2 月各产品销售额变化
2025 年 1 月至 2 月各产品销售额变化

对于后续的促销追问,数据缺少活动时间和参与范围,Agent 应说明证据不足,不能据此确认下降原因。

如果你也用 AVA 做出了自己的 Data Agent,欢迎参与 AVA 生态作品征集,邀你免费参加 SEE Conf 2026!,分享实践,还有机会获得 SEE Conf 2026 门票,和社区伙伴线下交流。

参考资料

[1] 

AVA: https://ava.antv.vision

[2] 

PandasAI: https://docs.pandas-ai.com/v3/introduction

[3] 

销售订单数据: https://github.com/antvis/AVA/blob/ai/tests/datasets/sales.csv

阅读原文

跳转微信打开

  •  

AVA 4.0:让 Agent 用企业数据回答业务问题

原创 半璇 2026-11-04 18:06 浙江

AVA 4.0 是 一套面向 JavaScript 应用和 AI Agent 的开源数据分析与可视化框架。

今天,让 AI 写一段 SQL、生成一张图表,已经不难。但面对真实的业务问题,挑战才刚刚开始:数据分散在不同系统,指标有各自的计算口径,分析结论需要经得起核对。

AI 数据分析需要的不只是一个更强的模型,还需要可信的数据上下文、可靠的计算和清晰的可视化。

这正是 AVA 4.0 想要解决的问题。AVA 是 一套面向 JavaScript 应用和 AI Agent 的开源数据分析与可视化框架。

3.0 基于规则与统计方法,聚焦数据洞察与图表推荐,帮助开发者发现数据中的异常、趋势,并选择合适的图表。4.0 进一步面向 AI Agent,打通数据接入、分析执行与可视化表达。Agent 可以结合业务口径理解问题,调用 AVA 查询和计算数据,再用图表呈现结果。

💡 先看看 AVA 4.0 的几个核心亮点:

快速接入现有 AI Agent

快速接入现有 AI Agent

可信分析,结论有据可查

可信分析,结论有据可查

多源异构数据,统一接入

多源异构数据,统一接入

自动发现洞察

自动发现洞察

数据安全,运行环境自主可控

数据安全,运行环境自主可控

智能可视化,自动推荐合适图表

智能可视化,自动推荐合适图表

<<< 左右滑动看更多 >>>

如果你熟悉 PandasAI,可以把 AVA 理解为 JavaScript 生态中面向 AI Agent 的数据分析与可视化框架。

从一个业务问题开始

一次经营复盘,往往从一个问题开始:

“净销售额下降,要不要加大投放?”

这个问题同时包含对现状的分析和对下一步行动的判断。回答它,需要先确定净销售额的含义、比较周期和退款归属,再检查下降来自哪里,以及现有数据能否支持增加投放的建议。

我们用同一份模拟零售数据,连续提出三个问题:

1. 净销售额下降后的投放判断

2. 核对净销售额有没有算对

3. 看清两个部门怎么算销售额

*限于推文篇幅,完整的真实对话与分析过程,请前往 AVA 官网查看。

这个案例的背后,是 AVA 提供的数据理解、分析执行和可视化能力。开发者可以通过 Skill、CLI 或 SDK 将这些能力接入 Agent,让它围绕业务问题开展分析。
AVA 分析链路图
AVA 分析链路图

统一业务口径,建立分析共识

可靠的数据分析,需要一套人和 Agent 都能复用的业务定义:指标怎么算、时间如何归属、数据如何关联。定义明确,渠道拆解、商品分析和跨期比较才有共同依据。

AVA 定义了统一的 数据模型(DataModel),为查询生成提供标准化的上下文:

上下文

职责

典型内容

结构元数据(Schema)

描述数据的组织结构

表与视图、字段类型、键约束及关联关系

统计画像(Profile)

描述数据的实际取值特征

行数、空值数、基数、取值范围与高频值

业务语义(Semantic)

定义业务概念与数据的映射

指标表达式、分析维度、时间口径与业务关联

大模型很强,但把自然语言准确转成 SQL,仍然是难题。 我们使用 GLM-5.1,在公开数据分析基准 DataBench 和自然语言转 SQL(NL2SQL)基准 Spider2-Lite 的 SQLite 子集上,比较了模型获得不同数据背景时的表现。

数据背景评测对比
数据背景评测对比

在 Spider2-Lite SQLite 子集中,仅提供表头和数据样例,正确率为 25.9%;补充数据结构和统计画像后为 33.3%;进一步加入业务定义后为 80.7%。当然,更多背景信息也会增加模型的 Token 用量。

要让模型算对业务问题,还需要语义层。 数据结构告诉模型有哪些字段,业务定义则告诉它指标怎么算、数据如何关联。把这些知识沉淀下来,人和 Agent 才能复用同一套分析口径。

连接多源异构数据,支撑复杂分析

订单在数据库里,广告数据在文件里,经营记录在飞书表格里。一次销售复盘,往往需要串联多个数据源,对大量明细进行筛选、关联和汇总。

面对这些任务,AVA 的分工是:模型组织探索,程序承担计算。 模型负责拆解问题、生成查询和选择下一步;执行引擎处理数据并返回结果或错误,供模型继续比较和下钻,无需将整张原始表放进模型上下文。

AVA 通过统一接口接入 10+ 种数据源,让应用在不同数据来源之间复用分析流程。

多源数据接入图
多源数据接入图

接入数据后,AVA 可以根据数据所在位置和分析需求,使用不同的执行引擎完成计算:

  • • 文件分析:使用 DuckDB 2.0 完成筛选、聚合与多表关联,能支撑约 6 亿行数据上的文件查询。

  • • 数据库分析:ClickHouse、Supabase 在数据库侧完成计算,利用已有算力返回查询结果。

  • • 代码计算:Python/pandas 承接复杂变换与数值计算,JavaScript 支持浏览器或 Node.js 中的轻量处理。

分析执行引擎图
分析执行引擎图

以可视化驱动探索,深化数据洞察

整体数字背后,往往藏着不同的变化。 在开头的销售分析中,渠道对比帮助我们看到整体下降背后的差异;在其他业务问题中,观察分布、比较群体,也可能带来新的发现。

以下两个案例基于模拟经营数据,展示计算与可视化如何共同回答业务问题:

客单价没变,促销还按原来的方案做吗?

两期各 2,000 笔订单,客单价均约 800 元,但 600 元以下订单占比从 10.4% 升至 55.5%,高价订单也在增加。金额分布图(核密度估计,KDE)呈现了这种变化,为分层评估促销方案提供线索。

订单金额分布图
订单金额分布图

120 家门店,都用同一套运营目标吗?

根据月订单量和客单价,识别走量型、均衡型和高客单型门店,为分组制定目标、分配资源提供依据。分析使用标准化和 KMeans 聚类。

门店聚类分析图
门店聚类分析图

选对图表,才能看清问题。 AVA 将不同图表的适用场景、数据要求和使用边界组织为启发式知识,结合分析意图与数据特征,引导模型推荐合适的可视化形式。

图表推荐示意
图表推荐示意

推荐结果由 AntV GPT-Vis 渲染,支持 26+ 可视化类型。

GPT-Vis 图表类型
GPT-Vis 图表类型

让结论有据可查,构建可信分析

一次业务分析,往往要经过指标确认、数据比较和逐层拆解。后一步判断建立在前一步结果之上,结论是否可靠,需要沿着这条分析路径核验。

AVA 将每一步分析的执行查询、结果数据与执行状态提供给 Agent,让多步分析的依据可追溯,存在疑问的环节可定位。

例如,自然搜索渠道净销售额下降了 87.72 万元。沿着业务定义、执行查询、返回数据和图表,可以逐项核对:退款是否扣除,代销商品是否只计佣金,查询是否遵循口径,展示单位是否一致。对结论的检查,由此落到具体的分析环节。

分析依据核验图
分析依据核验图

从核实销售变化到寻找下降原因,每一步结果又会成为后续判断的依据。推导图谱展开了这条逐步深入的路径,让使用者既能看清结论如何形成,也能回到支撑它的具体步骤。

分析推导图谱(动图)
分析推导图谱(动图)

让分析过程可检查,修正才有落点。 口径有误,可以修正定义;查询有误,可以调整计算;证据不足,则需要继续验证。这让可信分析落实到每一步可核验、可纠偏的过程之中。

AVA 能力体系图
AVA 能力体系图

降低构建门槛,加速业务落地

构建数据分析 Agent,需要处理数据接入、结构理解、查询执行和图表生成。AVA 将这些通用能力封装为可组合的工具,减少重复开发,让开发者把更多精力放在业务口径、分析问题和产品体验上。

已经有 AI Agent? 用1 条命令安装 AVA Skill,就可以让它使用 AVA 分析数据:

npx skills add antvis/AVA

然后开启一个新的 Agent 会话,提出你的问题:

使用 AVA Skill 分析 ./sales.csv(下载示例文件):比较 2025 年 1 月和 2 月的销售额,找出对销售额下降贡献最大的商品。

这样,就可以把数据查询和计算交给 AVA,让 Agent 专注于理解问题、组织分析。

正在构建自己的应用或 Agent? 通过 SDK 快速开始 按需组合数据接入、分析和制图能力,53 行核心代码即可构建最小 Data Agent;也可以使用 CLI,完成安装和模型配置2 步后,在终端或脚本中开展分析。

立即体验 AVA 4.0

AVA 官网

查阅文档与示例,开始集成[1]

AVA 官网入口图
AVA 官网入口图

Sive

基于 AVA 的免费开放 AI 数据分析平台[2]

Sive 平台入口图
Sive 平台入口图

GitHub

获取源码、反馈问题与参与共建[3]

GitHub 项目入口图
GitHub 项目入口图

如果 AVA 对你有帮助,欢迎在 GitHub 点亮一颗 ⭐️,让更多开发者发现它。

引用

1. AVA 官网:https://ava.antv.vision/↩︎
2. Sive:https://sive.antv.antgroup.com/↩︎
3. GitHub:https://github.com/antvis/AVA↩︎

阅读原文

跳转微信打开

  •  

AVA 生态作品征集,邀你免费参加 SEE Conf 2026!

原创 半璇 2026-11-03 11:14 浙江

邀请你基于 AVA 4.0,开发一个小应用、接入你常用的工具,或完成一次有趣的数据分析实践!

邀请你基于 AVA 4.0,开发一个小应用、接入你常用的工具,或完成一次有趣的数据分析实践!

分享你的作品,有机会获得 SEE Conf 2026 门票或小米手环。让我们从 GitHub 上的交流,走到线下见面!

💡 AVA 4.0 是什么?

AVA 4.0 是 AntV 开源的 AI 原生数据分析框架,帮助开发者为应用和 AI Agent 加入数据分析与可视化能力,串联数据接入、查询执行和图表生成。

AVA 接入到 Agent 的效果展示
AVA 接入到 Agent 的效果展示

这次,我们欢迎这些方向的作品:

  • 工具集成:AI Agent、MCP、聊天机器人、办公工具。

  • 应用与插件:数据分析应用、Notebook、浏览器插件。

  • 场景实践:业务分析、游戏复盘、个人数据探索。

  • 生态扩展:数据源适配、分析引擎、可观测性。

不必等到功能齐全,一个解决具体问题、能够演示的小作品,也欢迎分享!

✨ 为什么一起去 SEE Conf?

SEE Conf 2026 · 蚂蚁终端体验科技大会[1] 由蚂蚁终端技术委员会主办,今年围绕「创造力复兴」,探索 AI 时代的用户体验与工程实践。

📅 2026 年 11 月 28 日
📍 杭州 · 蚂蚁 A 空间

🎤 听实践

AI 创新体验、卓越 AI 工程实践、AI 新交互与多端、SEE Next 等专题,从产品体验聊到工程落地。

👋 看嘉宾

官网公布的阵容包括玉伯、云谦、偏右,以及来自蚂蚁、阿里国际、淘宝、Qoder 等团队的技术与产品负责人。

🎮 逛展台

AntV、Ant Design、Qoder、Galacean、画眉等项目与产品将在特色展台亮相,近距离看看 AI 如何进入真实的创作与开发流程。

带着自己的实践去听分享,也许会遇到下一个想做的项目,或下一位一起做项目的伙伴。

📮 如何参与?

在 AVA 周边生态讨论区 #1035[2] 下评论,附上:

作品简介 + AVA 使用方式 + 项目链接 + 截图或演示

请 @yvonneyx,并注明是否有意到现场参会。我们会及时与你联系,沟通作品及礼物安排。

🎁 门票与礼物

我们将结合作品的实用性、创意、完成度及可体验程度,选出 5 位优秀贡献者:

参会意向

礼物

能到现场

🎟️ SEE Conf 2026 门票一张

因时间或行程无法到场

🎁 小米手环一个

门票结果最晚于 2026 年 11 月 20 日公布,有意参会请尽早投递,方便我们提前联系、确认参会安排。

生态作品征集与礼品激励将持续进行,欢迎随时分享作品。

期待看到你的作品,11 月 28 日,杭州见!🙌

本次活动的最终解释权归 AntV 团队所有。


[1]: SEE Conf 官网:https://seeconf.antgroup.com/ 

[2]: 作品投稿与交流:https://github.com/antvis/AVA/issues/1035

阅读原文

跳转微信打开

  •  

一份主题,26 种图表:GPT-Vis 主题支持自定义了

孟宸 2026-10-29 18:02 浙江

做可视化报告时,麻烦的往往是图表画好之后的调整:页面换了风格,或者 PPT 换了模板,原来的字体、配色都要跟着改,一张张重新调。

另一种情况也很常见:统计图的样式已经统一,报告里又要补几张关系图和表格。节点、连线、表头和边框怎么搭配,还得单独处理。

这次,GPT-Vis 支持用一份主题配置 ThemeSpec,统一全部 26 种可视化的风格,统计图、关系图、表格和文字摘要都能使用。换模板或调整品牌色,可以集中修改这份配置;以后新增图表,继续沿用同一份主题,不必从头调样式。

01先从 10 套预设里挑一套

打开官网的 Theme Studio,可以先从官方推荐的主题里挑一套。比如,Neon Circuit 用深色背景、等宽字体和明亮线条,适合想突出科技感的页面;Terra Print 则是暖纸色、衬线字体和砖红配色,更接近印刷报告。同一组数据换上不同主题,连标题、坐标轴和表格边框也会一起调整。

如果想让图表轻松一点,可以看看糖果色的 Candy Pop;偏好简洁排版,可以选黑白灰的 Mono Signal。Pop 则保留了波普风格的鲜艳撞色和黑色粗描边,用暖白底色衬托数据。先用同一组示例比较,选定方向后再改成自己的配色,比从空白配置开始更容易。

这些主题是官网提供的 ThemeSpec 预设。每套主题都对应一份可以查看、修改和下载的 JSON,选中后也能在编辑器里继续调整。它们不是 GPT-Vis 库内置的字符串主题:接入项目需要复制或者下载 JSON,将完整对象传给 theme,不能写成 theme: 'neon-circuit'。

02一份 ThemeSpec,统一 26 种可视化

一份配置能供不同类型共用,是因为 ThemeSpec 把字体、文字色、背景、色板等公共样式定义成了 token。统计图的坐标轴、关系图的节点文字、表格正文可以共用这些设置,不必分别维护几份相似的配置。同时,各类型图表也保留了自己的样式字段:统计图可以调线条和数据点,关系图可以调节点和连线,表格可以调表头与单元格。需要单独处理某种图表时,可以在同一份 ThemeSpec 里补充覆盖项。共用一套风格,也能保留不同图表需要的细节。

03参考品牌风格,用 AI 创建主题

预设的主题适合没有思路的时候尝试各种风格,如果已经有自己的品牌色,或者 PPT 模板,可以快捷地自定义一套独属于你的风格。点击 Create with AI 可以复制一段包含 ThemeSpec 结构说明的提示词,把它和参考网页、PPT 截图等资料一起发给 AI 助手,就能让 AI 按标准格式生成主题。例如:

参考麦肯锡式咨询汇报,生成一份 GPT-Vis ThemeSpec。采用深蓝、白底和衬线标题,同时适配统计图、关系图、表格和摘要。返回完整 JSON。

将生成的 JSON 粘贴回来,右侧图表就会按你的自定义主题刷新预览。可以先看字体和配色是否接近参考,再检查关系图文字、表格表头等细节;不合适的地方,直接修改 JSON,或者让 AI 继续调整。下面这套示例参考了麦肯锡式咨询汇报的深蓝、留白和衬线标题。

04保存 JSON,在项目里复用

主题调好后,可以通过 Share preview 把预览链接发给其他人,一起确认效果。确定使用后,下载或复制 JSON ,就可以直接开始使用。无论从官网预设开始修改,还是让 AI 生成自定义主题,接入方式都相同:把完整的 ThemeSpec 对象传给图表实例的 theme。ThemeSpec 从 GPT-Vis 1.3.0 开始支持,接入示例如下

import { GPTVis, type ThemeSpec } from '@antv/gpt-vis';
import theme from './my-theme.json';
const vis = new GPTVis({ container: '#chart', theme: theme as ThemeSpec });
vis.render({
type: 'line',
data: [
    { time: '1 月', value: 120 },
    { time: '2 月', value: 148 },
  ],
});

主题在创建实例时传入一次即可,之后调用 vis.render(...) 更新数据或切换图表类型,都会沿用这份配置。连续调用会更新同一容器里的图表;如果页面需要同时显示多张图,则分别创建实例,共用同一个主题对象。

下面这套主题参考了 Mailchimp 的品牌配色,以黄色搭配暖纸底色和黑色描边。季度收入报告和用户反馈报告复用同一份主题 JSON,内容和数据各不相同,配色、字体和描边仍保持一致。

05接下来做什么

GPT-Vis 是给 AI 使用的图表库,未来将持续在AI 友好,默认美观,对于分析友好的方向上迭代。GPT-Vis 不是把 G2、G6 等底层库再套个壳子,而是面向大模型生成场景,重新组织可视化的输入方式、表达能力和默认呈现的图表库。它让模型通过简洁的数据和配置描述“要展示什么、要强调什么”,由 GPT-Vis 负责将这些描述转化为具体的图形、布局和样式,减少模型对底层渲染 API 的理解和配置负担。

接下来,我们计划:

  • 增加数据强调、参考线和区间标注能力,方便在图表中指出重点洞察。

  • 逐步支持误差条、分面比较和选择交互。

  • 完善配置校验,让 AI 生成的配置出错时更容易定位和修正。

阅读原文

跳转微信打开

  •  

创造力复兴|来 SEE Conf 2026,共探 AI 时代的体验与工程实践!

SEE Conf 组委会 2026-10-22 09:12 浙江

SEE Conf 2026 将于 11 月 28 日在杭州·蚂蚁 A 空间正式开启 👉 大会官网:https://seeconf.antgroup.com/

SEE Conf 2026

SEE Conf(蚂蚁终端体验科技大会)由蚂蚁终端技术委员会主办,是一场融合前沿分享、技术展台与沉浸式互动的科技盛会。

SEE 是 Seeking Experience & Engineering 的缩写,意为探索用户体验与工程实践。在这里,我们期待与业界同行共同分享和交流体验科技的最新进展,探讨切磋 AI 时代体验科技的未来发展,共同让生态繁荣共赢。

支付宝技术

大会亮点

  • 主题聚焦:「创造力复兴,探索 AI 时代的用户体验与工程实践」

  • 全程一天:32 场以上演讲,等你来! 上午主会场 Keynote、下午四大专场平行展开:

    • AI 创新体验

    • 卓越 AI 工程实践

    • AI 新交互与多端

    • SEE Next

  • 丰富体验:现场设有 20 个左右的技术展台,带你近距离交流与产品体验

  • 乐队表演:科技与激情双重碰撞,「996 x 万塘路 18 号 x 无共识」三大乐队首度联袂表演,带你 High 翻全场!

支付宝技术

门票信息

  • 大会官网:https://seeconf.antgroup.com/

  • 超级早鸟票:79 元/张(10 月 24 日 23:59 截止)

  • 普通早鸟票:99 元/张

  • 普通票:199 元/张

  • 售票时间:即日起至 2026 年 11 月 24 日

  • 购票方式:点击下方小程序,或点击「阅读全文」立即购票

⚠️ 温馨提示:席位有限,门票售完即止,期待与你现场相见!


微信答疑群

阅读原文

跳转微信打开

  •  

我们在外滩大会,用 5 分钟介绍了 Sive

孟宸 2026-09-14 18:00 浙江

上周六,Sive 来到了 Inclusion 外滩大会。

我们用 5 分钟介绍了这一位 AntV 的新成员 Sive:一个想把数据分析变成可见、可分享作品的 AI Native 可视化分析创作平台。这也是我们第一次跟大家认真讲清楚 Sive 想做什么。

01AI 已经会分析数据了,为什么我们还在搬运结果?

分享从一份订单数据开始:四年的时间跨度、近一万条交易明细、21 个字段。

面对这样的数据文件,很多人会先把它上传到 AI 工具里。AI 读数据、做计算、总结结论,都很快。但分析结束后,真正费时间的工作才刚刚开始。

我们通常还要把对话里的文字和截图复制出来,重新整理图表,再放进报告或 PPT 里排版,还要补上叙事和说明。原始数据、AI 分析和最后用于汇报分享的产物,整个流程是断开的,分散在好几个工具中。

这就是我们要做 Sive的原因 。简单来说,过去我们需要在多个窗口之间来回切换。而在 Sive 里,我们希望让这个过程变得更顺:从数据,到洞察,再到最终可以汇报的内容,都应该在一个平台里完成。

02从一份数据,到一份可以直接分享的网页报告

现场演示里,我们上传了订单数据。Sive 先读取表结构、字段类型和数据规模,看看这份数据里有什么,哪些问题值得继续追问。

当用户提出问题后,数据分析 Agent 会拆解任务,再由具体的 Tool 完成查询和计算。分析结果随后被整理成一份简报,其中的每条结论都能回到对应的数据来源。你既可以查看原始数据,也可以通过图表直观地判断趋势、差异和关系。

选中需要的结果后,Sive 还能继续生成网页报告。报告可以直接预览、发布,得到一个分享链接。如果发现问题,或者想继续追问,也不用换工具、,或者重新开始,前面的数据和分析过程仍然留在同一段对话里。

03数据应该用什么方式表达?

不是每个人都熟悉图表设计,也不是每个问题都适合用同一种图表表达。

Sive 的应用广场收录了统计图表、关系网络、3D 图表和地图等可视化内容。你可以先判断数据要回答什么问题,再寻找合适的表达方式,把已有作品变成自己下一次分析的起点。

这些流程背后,是 AntV 多年积累的可视化能力。Skill 保存可以复用的方法和设计风格,Tool 负责查询、计算等具体任务,不同的 SubAgent 各自处理分析、内容组织和作品生成。主 Agent 理解用户的问题,再安排和串起这些工作。

我们也在继续探索更多产物形式,未来或拓展到 PPT 等更多场景。

04Sive 也可以接入你自己的 Agent

如果你已经在本地搭建了 Agent 或自动化流程,也可以在 Sive 申请 API Key,通过 Open API 调用数据分析和可视化能力。

05最后

外滩大会上的 5 分钟,只够做一次简短的自我介绍。还有许多没来得及展开的问题,留给产品,也留给下一次见面。谢谢来到现场、在展台停留,以及会后继续和我们交流的每一个人。

如果你手上也有一份总在 Excel、AI 对话和报告之间来回搬运的数据,欢迎来试试 Sive。

天使用户群

扫码体验产品

阅读原文

跳转微信打开

  •  

AI 生成图表时,默认值为什么比配置项更重要?

孟宸 2026-09-07 18:56 浙江

数据分析里,图表通常不是起点。先问一个业务问题。系统查数据、做计算、给出结论;等结果落到屏幕上,图表才接手最后一段工作:把“收入上涨了 12%”“华南增长最快”这类分析结果,变成一眼能核对、能继续追问的东西。这一步很容易被低估。AI 能选对图表类型,不代表它第一次渲染就能读:标签可能挤在一起,单一指标被画成彩虹色,双轴线和坐标轴对不上,鼠标移过去也找不到当前数值。

GPT-Vis 这次调整默认样式和交互,就是想先把这些高频问题处理掉。不只是为了让图表好看,更是让分析结果少一点误导,多一点可读性。这些改动已随 GPT-Vis 1.0.1 版本 发布。

01默认值先解决几件很具体的小事

单系列不要画成彩虹

颜色是数据编码。没有分组字段的一组柱子,如果每根都换一个颜色,看起来像有好几个系列,实际却只是同一个指标。

现在,单系列 Line、Area、Column、Bar 和 Scatter 默认用一个主色;真正有分组时才启用分类色板。

标签多了,怎么避免信息冗余

真实分析数据很少刚好适合默认宽度。日期、区域名、商品名一长,X 轴就容易变成一团。

GPT-Vis 会在标签密集时旋转 X 轴文字,将多余的标签自动隐藏。

连续数据先让人读到数

折线图最常见的动作不是“看见一条线”,而是比较某个时间点的几个值。

Line、Area 和 Dual Axes 默认使用共享 Tooltip:鼠标落在一个 X 值上,同一时刻的多条系列会集中出现。十字准星和坐标轴交点标签负责定位,这样不用凭肉眼在两条线之间猜读数。双轴图里,系列与对应 Y 轴保持颜色关系,同侧多个轴的当前标签也会分别显示。

避免图表每次都“长得不一样”

词云有随机布局,截图和回归时特别容易让人困惑:到底是样式变了,还是随机位置变了?GPT-Vis 用词语和权重生成固定的布局种子,同样的数据会得到稳定的排布与旋转,并且增加了业务语义,包括词频排行和占比。

02这对 AI 生成图表意味着什么?

AI 没必要为每张图反复决定线宽、标签角度、Hover 反馈和边距。它应该把注意力放在分析意图上:这里该比较趋势,还是看占比?该用时间作横轴,还是按地区分组?默认值把这些重复的视觉判断先承担下来,配置才可以保持简单:

new GPTVis({ container }).render({
type: 'line',
  data,
});

需要时,用户仍能覆盖颜色、样式和交互。但一张第一次出现的图,应该已经能支持阅读,而不是等待下一轮 AI 修改。

03在 Sive 里,分析图表接的是一份已经算好的结果

这也是 GPT-Vis 在 Sive 这类 AI 数据分析产品中的位置:不接管分析,不替代结论;把已经算清楚的结果,稳稳地交到用户眼前。

Sive 负责理解问题、查询数据和完成计算。它可以用 SQL、Python 等工具得到可信的结果表、字段信息和分析结论;GPT-Vis 不重新聚合数据,也不替分析 Agent 推断业务原因,只负责把确定的结果表达出来。

这样分工很朴素,但很重要。分析口径留在 Sive,图表的默认判断留在 GPT-Vis。前者保证数字对,后者保证人能看懂数字。在 Sive 的分析页面里,这个差别尤其直接:同一份结果数据不需要为展示再写一轮样式配置,就能得到有明确层级的图表。

04最后

GPT-Vis 会继续围绕 AI 数据分析的实际过程打磨:配置尽量保持简单,把渲染、布局和读数交互做得更稳,让 AI 第一次交出的图就能用于分析。它已经接入 Sive 的数据分析流程,把结果变成易读、可核对的图表。这是 AntV 可视化能力在 AI 数据分析里的一个具体落点。

点击阅读原文👇,用真实数据试一试。

阅读原文

跳转微信打开

  •  

给 DeepSeek Harness 一句话生成可视化图表的插件 dsh-plugin-chart

原创 福晋 2026-08-22 12:46 浙江

最近,DeepSeek 开源了自己的 Agent Harness——DeepSeek Harness。从底层就采用了插件化思路:模型、工具、Skill、会话、Web UI,甚至运行时行为,都可以通过插件组合,一切都是插件。

搜了一下 awesome,似乎还没有一个好的可视化的插件,正好我知道有一个社区用户最多的可视化 MCP + Skill:mcp-server-chart + chart-visualization-skills,所有就想着移植过来,有 AI 很快可以搞定!

开源出来,[dsh-plugin-chart](https://github.com/lxfu1/dsh-plugin-chart),和 AntV 的 MCP、Skill 一样,完全免费的,欢迎给个关注。

技术原理很简单,代码也不多,直接看代码,或者 AI 分析一下就好了,就不具体介绍了。

如何安装到 DeepSeek Harness

dsh-plugin-chart 安装后会向 Harness 注册两项能力,一个是 skill,一个 tool,功能其实是一致的,看用户自己使用了。

dsh-plugin-chart已托管在 GitHub,无需克隆仓库或在本地执行构建。直接通过 npx 将插件安装到 web profile:

npx @deepseek-ai/dsh plugin --profile web add github:lxfu1/dsh-plugin-chart

可以通过配置导出来确认是否安装成功:

npx @deepseek-ai/dsh --profile web --dump-config \
  | rg -n -C 2 'dsh-chart|dsh-plugin-chart'

正常情况下会看到:

# == dsh-plugin-chart
- id: dsh-chart
name: dsh-plugin-chart

接着重新启动 Web:

npx @deepseek-ai/dsh web

访问对应页面,在设置 -> 插件中即可看到:

使用案例

对于不同的数据与分析目的,选择一种图表,或者让 ai 自动选择,ai 也会根据数据的情况自动生成图表对应的结构化配置,最后调用之后,返回可视化图片的地址。

例如:

  • 时间序列适合使用 line 或 area。

  • 占比数据可以使用 pie 或 treemap。

  • 流向关系可以使用 sankey。

  • 节点关系可以使用 network-graph。

  • 组织结构和知识结构可以使用 organization-chart 或 mind-map。

  • 统计分布可以使用 histogram、boxplot 或 violin。

举几个例子:

组织架构图

在 DeepSeek Harness Web 端直接输入下面这段内容:

/chart-visualization
请使用 AntV 生成一张组织架构图,标题为“星河科技组织架构”,采用纵向布局。
张晨是 CEO,负责公司整体战略。CEO 下设三个中心:
1. 产品中心,负责人李然;下设产品设计王敏、用户增长陈涛。
2. 技术中心,负责人周宇;下设平台研发赵磊、数据智能孙悦。
3. 商业中心,负责人林岚;下设企业销售何峰、客户成功郑欣。
请保留每个人的姓名和职责,不要补充不存在的部门或人员。

因此在 DeepSeek Harness Web UI 中,用户最终看到的事一张可以直接浏览的图表。

区域销售占比饼图

直接输入下面的提示,保证 chart 插件启用的情况下,都不用 at 插件也能自动被选中。

请使用 AntV 把下面的数据做成饼图:
华东 38%,华南 27%,华北 21%,西南 14%。
标题为“区域销售占比”。

能源流向与利用桑基图

某地区年度能源流向如下,单位为 TWh:
煤炭中有 300 流向发电环节,60 直接流向工业部门。
天然气中有 120 流向发电环节,70 流向工业部门,50 流向建筑部门,10 流向交通部门。
可再生能源中有 180 流向发电环节,25 流向建筑部门,15 流向工业部门。
核能有 120 流向发电环节,外购电力有 50 直接进入电力网络。
发电环节将 660 输送至电力网络,另外产生 60 的能源损耗。
电力网络向工业部门输送 250,向建筑部门输送 240,向交通部门输送 70,向数据中心输送 60,同时产生 90 的能源损耗。
工业部门最终形成 330 的工业生产,并产生 65 的能源损耗。
建筑部门最终形成 260 的建筑服务,并产生 55 的能源损耗。
交通部门最终形成 55 的交通出行,并产生 25 的能源损耗。
数据中心最终形成 50 的数字服务,并产生 10 的能源损耗。
请使用桑基图展示这些能源从来源、转换环节、使用部门到最终产出和损耗的完整流向。图表标题设为“年度能源流向与终端利用(单位:TWh)”,流线宽度应与数值成比例,并显示清晰的节点文本标签。将各环节的能源损耗汇聚到同一个“能源损耗”节点,不要修改或补充上述数值。

饮品月度销量趋势图

一家连锁咖啡店 2025 年各类饮品的月度销量如下,单位为千杯:
咖啡:1 月 128,2 月 135,3 月 142,4 月 150,5 月 163,6 月 178,7 月 192,8 月 188,9 月 176,10 月 169,11 月 158,12 月 151。
茶饮:1 月 82,2 月 86,3 月 91,4 月 98,5 月 110,6 月 126,7 月 143,8 月 151,9 月 147,10 月 132,11 月 108,12 月 94。
果汁:1 月 45,2 月 48,3 月 55,4 月 68,5 月 92,6 月 126,7 月 158,8 月 171,9 月 149,10 月 103,11 月 66,12 月 50。
季节限定饮品:1 月 30,2 月 34,3 月 40,4 月 52,5 月 75,6 月 105,7 月 138,8 月 146,9 月 119,10 月 80,11 月 48,12 月 35。
请使用多系列折线图展示四类饮品全年的销量趋势。图表标题设为“2025 年各类饮品月度销量趋势”,横轴为月份,纵轴为销量(千杯)。请为不同饮品使用容易区分的颜色,显示图例和数据点,并保留各月份的真实数值,不要修改或补充数据。

家居年度销售柱形图

某智能家居企业 2025 年十款产品的年度销量如下,单位为万台,数据顺序为产品发布顺序:
玄鹭 A7 智能门锁 8.6,
星沫 P2 家用投影仪 12.4,
云栖 C5 智能摄像头 7.9,
雾岚 H8 加湿器 10.8,
青曜 L3 智能台灯 6.7,
流萤 S6 智能音箱 14.1,
霁月 R4 扫地机器人 11.6,
风眠 T9 空调伴侣 9.3,
澄镜 M2 智能镜 5.8,
昼川 W7 空气净化器 13.2。
请使用纵向柱状图比较各产品的年度销量。图表标题设为“2025 年智能家居产品年度销量”,横轴为产品名称,纵轴为销量(万台)。请保留上述产品发布顺序,不要按照销量高低重新排序;显示对应数值,并确保较长的产品名称清晰可读。

最后

上面的其实算是一个非常基建的插件,关注于可视化,也可以搭配其他的 excel 等文件插件,配合一起使用,做一些简单的数据分析,最后感谢 DeepSeek Harness,感谢 AntV,快速就能组合出本项目。

另外,如果需要更加一站式的 AI 数据可视化和分析能力,也可以试试我们在开发中的 Sive,同样免费。

跳转微信打开

  •  

瓜分专属奖金池,赢取额外流量!外滩黑客松·AI Coding大赛 × WeaveFox赛道全攻略

炎熊 2026-07-23 09:00 浙江

以下文章来源于:WeaveFox和他的朋友们

WeaveFox和他的朋友们

你的创意,值的让全世界看到!WeaveFox 用 Vibe Coding 的方式,让你的想法,灵感 → 实现 → 上限 → 变现,一步一步成为完美的作品。

首个面向全民、不限编程方式的 AI 编程挑战赛。
不用写代码,说出你的想法,AI 帮你把它变成真实可用的应用。


🌊 外滩大会 × AI Coding,一场属于每个人的黑客松

AI 时代,编程不再是少数人的特权。

无论你是学生、上班族,还是退休老人,只要你有想法,就能用 AI 把它变成真实可用的应用——这就是 「外滩黑客松 · AI Coding 大赛」。

本届大赛由外滩大会组委会、小红书、观猹共同发起,并携手国内头部 AI Coding 平台共同承办,是 2026 Inclusion · 外滩大会「科技智能创新赛」板块官方赛事之一。

WeaveFox作为技术支持方当然也要凑一份大热闹。

说出你的需求,WeaveFox帮你实现!!!


🏆 大赛奖项设置

大赛设有:

专业奖项:通过任意合作平台完成作品创作,按平台引导填写信息清单并成功提交,即可进入专业评审。最终由专家评审团评选出一、二、三等奖。

人气奖项:通过小红书站内报名页面,按照指引发布作品笔记并带上大赛指定话题,即可进入人气奖角逐。

专业奖项

奖项

名额

奖金

🥇 一等奖

3 名

¥ 20,000 元

🥈 二等奖

8 名

¥ 10,000 元

🥉 三等奖

15 名

¥ 5,000 元

小红书人气奖

  • 🎁 100 名,定制礼品

  • 在小红书发布作品介绍笔记(图文/短视频),带指定话题即可参与

  • 评选依据:笔记互动量(点赞+收藏)+ 内容质量综合排序

赛程安排

阶段时间

线上比赛阶段

7月20日 - 8月9日

评审阶段

8月10日 - 8月25日

公布获奖名单

8月25日 - 9月9日

🎉 外滩大会现场颁奖

9月9日

🦊 选 WeaveFox 赛道,额外享三重专属权益

「WeaveFox」作为外滩黑客松 · AI Coding 大赛合作平台,将开设专属参赛赛道,为你准备了专属福利:

  • 🔥 小红书额外加热——助你冲刺人气奖

  • 💰 人气奖瓜分 1w 奖金池——发笔记一起拿奖

  • 🎁 专属积分补贴——赢取周边好礼

WeaveFox 是一款免费的 AI 驱动零门槛全栈应用创作平台,面向普通创作者、个人开发者与非技术用户。无需代码,通过自然语言即可快速把想法落地成可运行、可部署、可分享的各类应用。

🔥 权益一:小红书额外加热,祝你冲刺人气奖

只要你通过 WeaveFox 创作应用并提交参赛,在小红书发布作品笔记时带上指定话题:#外滩大会全民黑客松 #外滩大会AICoding大赛 #WeaveFox #vibecoding ,即可申请专属流量加热

笔记互动量门槛加热力度说明

互动量 ≥ 50

100元薯条推广

持续加热,冲刺更高互动

互动量 ≥ 200

200元薯条推广

热度加速,冲击人气奖前排

具备爆款潜质

单独申请额外加热

联系 WeaveFox 官方,享受定制化流量扶持

注:

  1. 互动量 = 点赞 + 收藏 + 评论 + 转发

  2. 每周一、四为统一加热时间,以加热时的互动量数据为准

  3. 每周固定100个名额,先到先得

💰 权益二:人气奖瓜分 1 万奖金池

WeaveFox 赛道参赛者,如在人气奖中获奖,除了大赛官方定制礼品外,还可额外瓜分 WeaveFox 专属 10,000 元奖金池!

获奖人数越多,大家一起分;获奖人数少,单人拿得更多。

🎁 权益三:专属积分补贴,赢取周边好礼

所有通过 WeaveFox 赛道成功提交作品的参赛者,均可获得 WeaveFox 平台专属积分,用于兑换限量周边好礼。作品越用心,积分越多,礼品越丰厚~

📝 参赛步骤(WeaveFox 赛道)

跟着下面几步走,轻松完成参赛:

第一步:进入 WeaveFox 官网

第二步:用 WeaveFox 创作你的应用

  • 用自然语言描述你的想法,AI 会自动帮你生成完整应用

  • 在左侧面板使用 技能 Skill优化应用能力,使用 服务 Service配置后台能力(数据库、用户登录、支付宝支付等)

  • 反复预览调整,直到满意为止

第三步:提交参赛

  • 应用创作完成后,点击 「提交作品到AI Coding大赛」按钮

  • 重点:记得公开应用,不然别人访问不到哦

  • 按引导填写信息清单

  • 提交成功,即可进入专业评审

第四步:发布小红书,冲刺人气奖

  • 将你的作品截图或录屏,发布到小红书

  • 必须带上的话题(前3个必带):

  • 在笔记中讲讲你的作品解决了什么问题,越真诚越容易打动评审和观众

  • ⚠️ 发布小红书时,请不要在正文里填写 coding 作品地址,以免限流。

  • 提交小红书发布链接,完成人气奖报名

第五步:申请 WeaveFox 专属加热

  • 笔记发布后,点击「小红书加热」按钮

  • 提交你的笔记链接和小红书账号昵称

  • 根据互动量门槛,获得对应档位的薯条推广加热

  • 持续关注互动数据,冲击更高加热档位

🚀 现在就行动

你的创意,值得被全世界看到,打开浏览器,输入:

https://www.weavefox.cn/?s=hackathon2026

用一句话造出你的第一个 AI 应用,20万+ 奖金池、专属流量加热、万元奖金瓜分——都在等你。

点击左下角👇「阅读原文」即可访问 WeaveFox,让我们一起,用 AI 把想法变成现实。🦊✨

阅读原文

跳转微信打开

  •  

【万物皆可 Sive Vol.02】台风“巴威”逼近,哪些区域可能受影响?来看看实时风雨图

孟宸 2026-07-09 18:11 浙江

今天朋友圈被台风消息刷屏了。

台风路径、气象预警、登陆时间、影响城市……预计后天台风将直接登陆闽浙一带,大家都在关心:它现在到哪了?风有多大?会不会影响我这里?要不要赶紧囤点吃的?

不过,关心台风,光看它的路径其实还不太够。 真正影响我们的,往往是它带来的狂风和暴雨。

我们更需要关心的是:
🌬️ 风从哪里来,哪里风力更强;
🌧️ 雨下在哪些地方,哪些区域降水更明显。

所以这次,我们用 AntV Sive 做了一个台风实时追踪应用,数据都是实时接口获取的,还可以点击手动刷新。

不仅可以查看风场数据,

还可以通过右上角 Tab 切换,查看每日降水量。


看风的时候,你能看到哪里风更密、哪里风更强、台风外围的风场正在如何变化。

切到降水量,就能看到每天的降雨分布,哪些地方雨更集中,哪些区域可能受到降水影响,也会更清楚一些。

不需要看复杂的气象表格,也不用自己脑补风向和降水量,一张动态地图,就能大概看明白。

当然,具体预警和防台安排,还是要以官方气象信息为准。

Sive 是 AntV 推出的 AI 可视化创作平台。
以前做这样的应用,可能需要准备多份数据数据、封装接口、写代码、调样式;现在用 Sive,就可以更快生成一个可交互的可视化应用。

直接复制打开 

https://sive.antv.antgroup.com/rx5pdyPR8ZPWzNVkK4Jj

👇 或者点击阅读全文,查看实时台风动态:

阅读原文

跳转微信打开

  •  
❌