本文是笔者关于TableAgent的使用心得，内容涵盖九章云极DataCanvas介绍、从零开始使用到友商产品评测，对新手友好💯。
九章云极DataCanvas介绍
对人工智能基础软件公司有了解的朋友可能听说九章云极，本文介绍的TableAgent就是九章云极DataCanvas推出的产品。
2023年国际权威机构Forrester发布了“首份中国人工智能/机器学习平台报告”，该报告调研了国内市场14家主流云厂商，包括百度智能云、阿里云、华为云、腾讯云等，从产品能力、战略规划和市场表现三个方面对其进行评测。基于25项细分标准的全面评估，Forrester将这14家主流厂商划分为4个象限：领导者、优秀表现者、竞争者和挑战者。其中九章云极DataCanvas位于竞争者象限。
据IDC发布的《中国人工智能软件2022年市场份额》报告。其中，2022年机器学习开发平台市场规模达35.4亿元人民币。其中第四范式（32.7%）、华为云（21.6%）、九章云极（7.6%）、创新奇智（7.0%）居中国机器学习开发平台市场前四。
九章云极DataCanvas在大模型引领的新AI时代到来时，也进行了大模型的相关探索，推出自主研发的 DataCanvas Alaya九章元识大模型。而DataCanvas Alaya九章元识大模型也是TableAgent具有智能的基础。
下面开始介绍对于一个新手，该如何使用TableAgent。
TableAgent的新手入门指南：
TableAgent的公测链接地址为https://tableagent.datacanvas.com/，进入首页后，可以点击立即体验。
刚了解的朋友们先别点击立刻体验，稍等片刻，一般我们使用一个产品，都可以先看看官网的首页介绍，比如
XX比XX快几百倍
比如XX可以存储数十亿行数百万列等。
官网首页
官网首页介绍的是：
TableAgent是新AI时代的数据分析智能体
基于DataCanvas Alaya九章元识大模型，为你打造专属的数据分析师
我们咬文嚼字的说明下这个介绍啊：
第1句：TableAgent是产品的名称，新AI时代表明大模型出现的AI时代，数据分析智能体是TableAgent的功能介绍。初步判断TableAgent是可以自主做数据分析的智能体。
第2句：DataCanvas Alaya九章元识大模型是九章云极 DataCanvas自主研发的大模型，TableAgent数据分析智能体是基于 DataCanvasAlaya九章元识大模型的。所以TableAgent具备大模型的通用智能，这非常合理。
大模型出来后被传说最可以替代的几种行业中，就有数据分析师（也就是我的职业），所以我必须深入了解下TableAgent，这也十分合理。
立刻体验
现在点击立刻体验
进入注册环节，正常输入手机号就可以，需要注意的是，我用火狐注册会频繁提示：
这时可以切换edge浏览器，然后就顺利完成了，注册后，会提示有5次提问环节，次数使用完了，可以认证申请增加次数（每天15次）。
跳转后进入如下页面：
我们先从样例数据集进行快速测试，选择右侧的样例数据集，选择”银行客户流失预警数据集”
在左侧居中的对话区域会给出数据集的一些可能的分析，点击详情会显示数据集信息，内容如下：
数据中有多少客户，流失客户占比多少？
帮我统计流失客户主要集中在哪些年龄段
在持卡年限达8年以上的客户中,信用评分前10%和后10%的哪个群体流失率比较高?能否画图分析
从不同国家平均存款余额来看,第一名和第二名是否拉开较大差距?
帮我找出德国客诉率最高的卡片类型，画图并说说都有什么差异和建议
我想重点分析一下德国大部分客户收入水平如何，包括收入的最大、最小、平均水平以及不同收入水平的人数等方面，也画下图并说说
不考虑存款为0和流失的客户,客户的存款余额是否呈现明显的长尾分布?
从积分点来看,青年客户是否是主力军?帮忙画个饼状图
按照持卡年限，可以统计每年新增客户量，给出每年新增客户量同比
年龄段划分标准:45岁以下为青年,45-59岁为中年,60岁往上是老年,帮我拉一下每个客户的姓名、性别、国家以及年龄段
问题测试
问题1：
英语不优秀的数据分析师赶紧让TableAgent解释下数据集的相关字段含义：
请介绍下数据集中各个字段的含义，用中文描述，并描述各个字段的数据范围
返回结果如下：
可以查看到TableAgent对各个字段进行了介绍，点击回复中的详情，能看到TableAgent分析思考的步骤（好家伙，写了一段代码，会写程序的数据分析师）：
经过分析，上面提示的部分问题信息可能不存在与数据表中，如客户的教育水平，原始数据集中并没有，但如果你问这个问题，TableAgent会提示你相关列不存在，如下。
问题2：
根据客户的教育水平，分析客户流失率是否有明显的差异。
返回结果如下：
这点还是比较严谨的，没有大模型的随意发挥现象，比较符合数据分析需求。
接下来问一个数据探索的问题。
问题3：
根据客户的预计薪资，绘制薪资水平分布，并绘制可视化图标
返回结果如下：
从结果可以看出，薪资分布没有明显的峰值，说明各个阶段的薪资收入都有大量的人。
接下来问一个数据预测的问题。
问题4：
根据客户的预计薪资，预测不同薪资对银行用户流失的影响。
返回结果如下：
结果符合预期，点击详情，还可以看到明确的代码，用户可以根据代码自行调整。
最后再问一个让TableAgent发挥的问题，这个问题有一个问题就是需要TableAgent了解相关与因果推断的差别。
问题5：
请你自行对数据集进行探索性分析，并给出影响客户流失权重较大的几个因素，进行因果推断。
返回结果如下：
返回的结果还是有参考意义的。目前进入到第5个问题后，点击右侧的用量标签，会发现当前用户的剩余使用情况，如下：
目前剩余用量为0，如果再提问，会提示
这时可以点击右侧上方的申请认证，然后填下如下表单，认证通过后，会从而增加可使用量。
经过大约1.5243600=12.96w秒，我收到了验证通过的短信：
【九章云极】您的TableAgent用户认证已审核通过！有效期15天，欢迎您继续使用。
有了库存，开始继续测试
通用大模型对比分析
下面针对类似的数据分析问题，与国产大模型文心一言和chatglm进行比较，看看二者在数据分析方向的比较。
这里提供一个数据集–网约车APP数据集.csv，该数据集为某打车APP，一周内，若干城市，每天，每小时内运营数据，一共840条数据。各列字段具有先后顺序，乘客先冒泡（在APP内输入起点、终点），再呼叫，司机看到呼叫信息后，可以选择应答，之后完成订单。司机在线是分小时统计的，一天之内加总的话可能有重复的情况。
首先看看大模型是否支持csv文件格式：
对csv数据集的支持比较：
TableAgent对csv格式支持情况测试：
在页面右侧的数据集区域，选择 拖拽文件或点击此处 按钮，可以弹出上传文件框，选择 《网约车APP数据集1.csv》，很容易的把数据集加载完成，选择详情，可以查看数据集的基本情况。
支持！
下面测试下文心一言。
文心一言对csv格式支持情况测试：
进入文心一眼官网，登录后选择上传文档插件，如下：
选择下载好的telecom_customer_churn_analysis.csv数据进行上传，提示
不支持csv格式。
再测试下Chatglm2。
Chatglm2对csv格式支持情况测试：
进入chatglm2官网，登录后选择文档，上传文档，如下:
选择下载好的telecom_customer_churn_analysis.csv数据进行上传，提示
好的，数据分析结束，不支持csv格式。
稍等，我再试一试！！！
选择左侧的代码。
可以看到chatglm2是擅长数据分析的，再选择下方中间的文件夹按钮，弹出的窗口可以选择所有文件，如下：
选择网约车APP数据集.csv成了，如下：
数据分析支持测试：
下面开始对比测试。
问题1：
你是一个数据分析师，请对上传的"网约车APP数据集.csv"进行分析，该数据集的解释如下：“该数据集为某打车APP，一周内，若干城市，每天，每小时内运营数据，一共840条数据。各列字段具有先后顺序，乘客先冒泡（在APP内输入起点、终点），再呼叫，司机看到呼叫信息后，可以选择应答，之后完成订单。司机在线是分小时统计的，一天之内加总的话可能有重复的情况。”。请说出对这种数据进行分析的一般流程。
TableAgent返回：
Chatglm2返回：
.
结果说明：
从结果可以看出，TableAgent的更多返回都是基于代码和特定数据集的，Chatglm2可以通过模型生成流程方案等信息。
问题2：
你是一个数据分析师，请对上传的"网约车APP数据集1.csv"进行分析，分析星期一到星期日的完单数分布情况。
TableAgent返回：
Chatglm2返回：
结果说明：
从结果可以看出，TableAgent的返回还是清晰的，有数据，也有分析，出现问题的地方是分布情况和下面的详细数据存在不一致的情况，Chatglm2可以采用的沙盒机制，每一个问题不可以等待太久。
再继续测试，把数据重新交给chatglm2，这个过程就不再演示。
问题3：
你是一个数据分析师，请对上传的"网约车APP数据集1.csv"进行分析，分析周一到周日的完单数分布情况。
TableAgent返回：
Chatglm2返回：
结果说明：
从结果可以看出，TableAgent是按照每天进行的计算，没有按照周一到周日进行分组。Chatglm2的输出应该和数据集是相关的，也给出了对应的解释，但中文显示不够友好。
较好的地方是，两者都给出下一步的分析方向。
问题4：
你是一个数据分析师，请对上传的"网约车APP数据集1.csv"进行分析，按照星期字段进行分组，分析星期这一字段分布情况。
TableAgent返回：
Chatglm2返回：
结果说明：
从结果可以看出，TableAgent是按照呼叫，应答，完单数进行了汇总操作，对司机在线进行了求平均，这点应该是考虑了数据集描述的信息。Chatglm2的这一步骤输出应该与数据集无关了，是提供了对应的代码示例，然后让我们带入对应的数据集。
问题5：
查看不同时间段和城市的完单数分布情况
TableAgent返回：
Chatglm2返回：
结果说明：
从结果可以看出，TableAgent的这个计算还是准确的，可视化的效果也说明了不同时间段与完单数的情况。Chatglm2的输出应该和数据集是无关的，再代码出现错误后，可以给出另外一个代码，觉得有点像大学生答辩，出现错误不要紧，再说一个可行的答案。
好的，就这吧。来一套：
神龙摆尾，黑龙偷心，双龙出海，战龙在田，龙飞凤舞，伏虎降龙，缩龙成寸，龙蛇混杂，龙的传人，龙凤呈祥，龙马精神，望夫成龙，评测结束，打完收工！
没有比较就没有伤害，目前大模型进行数据分析，TableAgent的确是一个很好的选择。
个人总结与建议：
本文主要完成了TableAgent的注册测试与个人认证，并进行初步测试，在测试中有如下体会：
1.对于不存在的字段分析，TableAgent表现实事求是，可以识别出字段不存在，并且给出反馈。
2.对于从数据中无法得出的因果推断，TableAgent也可以进行说明，可以解释相关与因果推断的差别，没有自行生成结论。
3.在常规问题分析中，点击详情可以看到具体的代码以及数据集，这点保证了数据分析的准确性。
在TableAgent与通用大模型框架进行数据分析方向的对比中，有如下感受：
1.对于数据集的上传方面，TableAgent会更为易用些，上传文件过程清晰，便于操作。
2.在数据集会话保持方面，TableAgent可以长期对数据集的读取，这点比较友好，减少频繁上传数据集的重复操作。
3.在中文支持度方面，TableAgent对中文的支持较为友好，可以绘制出较高可用性的图片。
4.在思维逻辑展示方面，TableAgent更符合数据分析的要求，对数据的转换过程清晰，可信度较高。
5.在对特定数据集的分析流程设计方面，如果TableAgent可以把通用的对话能力与特定的数据集结合起来，那么对数据分析师而言，是一个极大的帮助。
TableAgent是基于DataCanvas Alaya九章元识大模型的产品，有着数据分析垂直领域大模型，和多年的机器学习平台技术加持，TableAgent的易用性和可用性还是很高的。尤其是对于数据分析而言，可以看出具体的数据转换步骤（透明化过程），可以保障数据的准确性，也便于本地调试验证对应的分析结果。可以进行实时的交互式分析（会话式分析）。在不存在的字段分析时，TableAgent有一说一，减少了通用大模型信口开河，然后道歉的弊端，是一个很不错的数据分析产品。
作为数据分析师，有些惶恐也有些期待，但这就是技术的发展吧，不会因为个人而停止，我们只能顺势而起，齐头并进。
下面再附上几张官网的宣传截图，希望使用的朋友同行可以关注下，可以看看有没有自己需求的功能点。
