从零到一用 Python 大模型构建多业务线经营分析报告系统前言你是否曾经面对一堆杂乱无章的 Excel/JSON 数据需要每周/每月为领导制作格式统一、分析深入、排版精美的经营分析报告手工制作不仅耗时而且容易出错。本文分享一个完整项目实战我们将手把手搭建一个基于 Python 和大语言模型的经营分析报告自动生成系统。你只需准备好数据运行一条命令就能得到一份带表格、文字分析和可视化图表的 Markdown/HTML 报告。项目支持单地区、多地区横向对比并可灵活扩展主机、宽带、5G 等不同业务线。代码清晰分层即使你是初级开发者也能按步骤复现。项目背景与目标输入各业务系统导出的 JSON/CSV 数据主机、宽带、5G 等。输出结构化的 Markdown 报告并可进一步转换为带图表的精美 HTML 报告。核心能力调用大模型如 OpenAI GPT进行数据分析和报告撰写而非硬编码规则。扩展性新增业务线只需增加数据加载、提示词模板和报告生成函数无需改动核心框架。整体架构与项目结构operational-report-ai/ ├── config/ │ ├── settings.py # 全局配置API密钥、文件路径等 │ └── prompts/ # 各种报告的系统提示词和用户提示词模板 ├── data/ # 原始数据文件存放示例和实际数据 │ ├── daily/ │ └── monthly/ │ ├── output/ # 生成的报告输出目录 ├── src/ │ ├── data_loader.py # 统一数据加载 │ ├── data_processor.py # 数据处理生成分析快照 │ ├── ranking_processor.py # 排名计算、表格生成 │ ├── prompt_builder.py # 使用 Jinja2 组装提示词 │ ├── llm_client.py # 调用大模型 API │ ├── report_generator.py # 报告生成主流程 │ ├── host_data_processor.py# 主机业务专用重塑 │ ├── broadband_data_processor.py │ ├── broadband_ranking_processor.py │ └── md_to_html.py # Markdown 转 HTML通过大模型 ├── tests/ # 单元测试 ├── main.py # 程序入口 ├── requirements.txt └── .env # 敏感配置不上传 Git项目采用分层模块化架构配置层.env和settings.py管理所有可变参数。数据层data_loader.py负责从文件或 API 加载原始数据。处理层各种processor将原始数据转换为标准快照字典。服务层prompt_builder.py将快照注入提示词llm_client.py封装 API 调用。编排层report_generator.py按顺序调度各模块最终输出报告。环境准备1. 创建 Python 虚拟环境建议使用 Conda 或 venvconda create-ncreatemdpython3.13-yconda activate createmd2. 安装依赖创建requirements.txt文件openai1.0 pandas2.0 python-dotenv1.0 jinja23.1 tabulate markdown然后执行pip install -r requirements.txt。3. 配置 .env 文件在项目根目录新建.env填入你的大模型 API 密钥和 Base URL若使用代理或自定义端点OPENAI_API_KEYsk-your-key LLM_BASE_URLhttps://api.playground.ai.gcable.cc/v1 LLM_MODELgpt-4o REPORT_MODEsingle # 可选 single/multi/host_monthly/broadband_monthly/5g_monthly_html核心模块开发数据加载器 (data_loader.py)封装从不同来源读取数据的功能。例如从本地 JSON 加载defload_data(file_path:str)-dict:withopen(file_path,r,encodingutf-8)asf:returnjson.load(f)对于需要读取多个文件的场景如月度主机数据可扩展为load_host_data、load_broadband_monthly_data等返回元组或字典。数据处理与快照 (data_processor.py)“快照”是整个系统的核心抽象。它将原始数据转成标准结构字典供 LLM 消费。例如将日数据中的 KPI 完成情况、新装、流失等指标聚合起来。这一层同时负责指标计算、异常标记、单位转换确保 LLM 拿到的是干净、可直接理解的数据。提示词构建 (prompt_builder.py)利用 Jinja2 模板引擎将快照数据注入提示词。系统提示词定义角色和分析框架用户提示词包含实际数据Markdown 表格和 JSON 统计量。示例defbuild_prompts(snapshot,sys_path,usr_path):system_promptload_template(sys_path)user_templateload_template(usr_path)templateTemplate(user_template)user_prompttemplate.render(snapshot_jsonjson.dumps(snapshot,ensure_asciiFalse,indent2))returnsystem_prompt,user_promptLLM 调用 (llm_client.py)封装 OpenAI SDK支持自定义 base_url 和代理importopenaidefgenerate_report(system_prompt,user_prompt):clientopenai.OpenAI(api_keyOPENAI_API_KEY,base_urlLLM_BASE_URL)responseclient.chat.completions.create(modelLLM_MODEL,messages[{role:system,content:system_prompt},{role:user,content:user_prompt}],temperature0.3)returnresponse.choices[0].message.content报告生成器 (report_generator.py)按顺序编排流程加载数据 → 处理为快照 → 构建提示词 → 调用 LLM → 保存 Markdown。对于多地区或月度报告会引入ranking_processor预先计算表格和排名再注入提示词。这种方式能保证表格排序、合计行等复杂格式的准确性。单地区日报告实战以日维度主机数据为例说明完整流程。准备模拟数据data/raw_data_20260506.json可以自定义数据结构。编写 data_processor 的 process_to_snapshot()将原始扁平 JSON 转成含有kpi_completion、user_acquisition、user_churn、card_activation、fiber_upgrade的字典。系统提示词定义报告章节考核指标全景、用户新装与流失等等并要求 Markdown 格式。运行 main.py输出output/report_20260506_xxx.md。这是最简单但完整的端到端流程。多地区横向对比报告当数据包含多个分公司时我们希望生成一份排名对比报告。数据准备在data/regions/下放置每个地区的 JSON 文件文件名即地区名。新增ranking_processor.py计算各指标排名、生成预警列表返回包含rankings和alerts的字典。提示词系统提示词要求生成排名表格和预警分析用户提示词注入排名 JSON。配置 REPORT_MODEmulti启用多地区对比。月度主机经营分析报告与日报告不同月度数据通常来自多个文件。数据加载load_host_data支持传入多个文件路径返回元组。专用重塑函数reshape_host_json合并多个数据源统一别名计算衍生指标如理论月净增、预警。表格生成compute_host_monthly_table根据重塑后的数据动态生成转置表格可分离“合计”等特殊行并按完成率排序。提示词包含三个分表系统提示词要求对每个表进行深度分析。宽带分析报告与速率区间图表宽带业务数据的特点是按速率区间100M以下、100M-200M 等细分。我们既要生成表格还要在 HTML 中绘制分组柱状图。重塑函数将每个速率区间的字段组合成复合键如300M_本月宽带数。表格函数生成“缴费宽带完成情况”和五个速率区间分表。HTML 转换在md_to_html.py中我们让大模型承担了生成柱状图的任务——在系统提示词中明确要求使用 Chart.js 绘制两个图表各速率区间总净增数对比柱状图各分公司分组柱状图5个区间不同颜色提示词中还包含“宽带升级方向分析”要求大模型对图表进行解读指出各经营体升级趋势。这种方式完全绕过了本地绘图库非常灵活。5G 月度 HTML 报告纯靠大模型5G 业务我们采用了最激进的方案跳过所有本地处理步骤直接将原始 JSON 注入提示词让大模型完成数据解析、指标计算、表格构建和 HTML 渲染。数据加载读取三个 JSON 文件合并为一个字典。提示词设计系统提示词详细描述了数据字段含义、报告结构三个完成情况表格 开卡销户表 套餐统计表、表格排序规则、预警颜色、HTML 样式。用户提示词仅包含三个 JSON 数据块。执行run_5g_monthly_report_html()构建提示词后直接调用大模型获取 HTML 字符串并保存。这种方法虽然消耗 token 较多但消除了所有业务计算代码极大简化了流程非常适合需求多变、快速上线的场景。Markdown 转 HTML 的美化方式我们提供了两种 MD→HTML 转换基于本地库markdown生成静态 HTML样式固定适用于离线环境。基于大模型编写系统提示词要求大模型生成带有内联样式、响应式设计、数据高亮和 Chart.js 图表的完整 HTML。可自由定制样式。实际项目中我们推荐在关键报告如宽带、5G上采用大模型转换以获得更佳的视觉效果和动态图表。Git 安全彻底清除 .env 文件.env包含密钥一旦误提交到 Git 就会造成安全风险。本文提供了一套完整的处理流程立即吊销泄露的密钥并生成新 Key。将.env加入.gitignore并提交。使用git filter-repo从历史记录中彻底清除.env文件。强制推送并通知协作者重新克隆仓库。我们给出了每一步的详细命令和注意事项确保小白也能安全操作。总结与展望通过这套项目你可以快速接入多业务线数据自动生成格式统一的报告。通过修改提示词灵活调整分析角度和报告结构无需重写代码。渐进式地将报表从手动制作过渡到全自动生成。未来你可以继续扩展定时任务用 cron 每天自动生成日报告。API 接收数据用 FastAPI 封装让上游系统实时推送 JSON 并触发报告生成。多模型支持将 LLM 调用抽象为接口轻松切换模型。完整的项目代码和示例数据可在我的 GitHub 仓库中找到链接待补充。希望本文能帮助所有运营分析人员从重复劳动中解放出来让数据自动“说话”。原文发表于 CSDN转载请注明出处。
AI经营报告项目——项目记录
从零到一用 Python 大模型构建多业务线经营分析报告系统前言你是否曾经面对一堆杂乱无章的 Excel/JSON 数据需要每周/每月为领导制作格式统一、分析深入、排版精美的经营分析报告手工制作不仅耗时而且容易出错。本文分享一个完整项目实战我们将手把手搭建一个基于 Python 和大语言模型的经营分析报告自动生成系统。你只需准备好数据运行一条命令就能得到一份带表格、文字分析和可视化图表的 Markdown/HTML 报告。项目支持单地区、多地区横向对比并可灵活扩展主机、宽带、5G 等不同业务线。代码清晰分层即使你是初级开发者也能按步骤复现。项目背景与目标输入各业务系统导出的 JSON/CSV 数据主机、宽带、5G 等。输出结构化的 Markdown 报告并可进一步转换为带图表的精美 HTML 报告。核心能力调用大模型如 OpenAI GPT进行数据分析和报告撰写而非硬编码规则。扩展性新增业务线只需增加数据加载、提示词模板和报告生成函数无需改动核心框架。整体架构与项目结构operational-report-ai/ ├── config/ │ ├── settings.py # 全局配置API密钥、文件路径等 │ └── prompts/ # 各种报告的系统提示词和用户提示词模板 ├── data/ # 原始数据文件存放示例和实际数据 │ ├── daily/ │ └── monthly/ │ ├── output/ # 生成的报告输出目录 ├── src/ │ ├── data_loader.py # 统一数据加载 │ ├── data_processor.py # 数据处理生成分析快照 │ ├── ranking_processor.py # 排名计算、表格生成 │ ├── prompt_builder.py # 使用 Jinja2 组装提示词 │ ├── llm_client.py # 调用大模型 API │ ├── report_generator.py # 报告生成主流程 │ ├── host_data_processor.py# 主机业务专用重塑 │ ├── broadband_data_processor.py │ ├── broadband_ranking_processor.py │ └── md_to_html.py # Markdown 转 HTML通过大模型 ├── tests/ # 单元测试 ├── main.py # 程序入口 ├── requirements.txt └── .env # 敏感配置不上传 Git项目采用分层模块化架构配置层.env和settings.py管理所有可变参数。数据层data_loader.py负责从文件或 API 加载原始数据。处理层各种processor将原始数据转换为标准快照字典。服务层prompt_builder.py将快照注入提示词llm_client.py封装 API 调用。编排层report_generator.py按顺序调度各模块最终输出报告。环境准备1. 创建 Python 虚拟环境建议使用 Conda 或 venvconda create-ncreatemdpython3.13-yconda activate createmd2. 安装依赖创建requirements.txt文件openai1.0 pandas2.0 python-dotenv1.0 jinja23.1 tabulate markdown然后执行pip install -r requirements.txt。3. 配置 .env 文件在项目根目录新建.env填入你的大模型 API 密钥和 Base URL若使用代理或自定义端点OPENAI_API_KEYsk-your-key LLM_BASE_URLhttps://api.playground.ai.gcable.cc/v1 LLM_MODELgpt-4o REPORT_MODEsingle # 可选 single/multi/host_monthly/broadband_monthly/5g_monthly_html核心模块开发数据加载器 (data_loader.py)封装从不同来源读取数据的功能。例如从本地 JSON 加载defload_data(file_path:str)-dict:withopen(file_path,r,encodingutf-8)asf:returnjson.load(f)对于需要读取多个文件的场景如月度主机数据可扩展为load_host_data、load_broadband_monthly_data等返回元组或字典。数据处理与快照 (data_processor.py)“快照”是整个系统的核心抽象。它将原始数据转成标准结构字典供 LLM 消费。例如将日数据中的 KPI 完成情况、新装、流失等指标聚合起来。这一层同时负责指标计算、异常标记、单位转换确保 LLM 拿到的是干净、可直接理解的数据。提示词构建 (prompt_builder.py)利用 Jinja2 模板引擎将快照数据注入提示词。系统提示词定义角色和分析框架用户提示词包含实际数据Markdown 表格和 JSON 统计量。示例defbuild_prompts(snapshot,sys_path,usr_path):system_promptload_template(sys_path)user_templateload_template(usr_path)templateTemplate(user_template)user_prompttemplate.render(snapshot_jsonjson.dumps(snapshot,ensure_asciiFalse,indent2))returnsystem_prompt,user_promptLLM 调用 (llm_client.py)封装 OpenAI SDK支持自定义 base_url 和代理importopenaidefgenerate_report(system_prompt,user_prompt):clientopenai.OpenAI(api_keyOPENAI_API_KEY,base_urlLLM_BASE_URL)responseclient.chat.completions.create(modelLLM_MODEL,messages[{role:system,content:system_prompt},{role:user,content:user_prompt}],temperature0.3)returnresponse.choices[0].message.content报告生成器 (report_generator.py)按顺序编排流程加载数据 → 处理为快照 → 构建提示词 → 调用 LLM → 保存 Markdown。对于多地区或月度报告会引入ranking_processor预先计算表格和排名再注入提示词。这种方式能保证表格排序、合计行等复杂格式的准确性。单地区日报告实战以日维度主机数据为例说明完整流程。准备模拟数据data/raw_data_20260506.json可以自定义数据结构。编写 data_processor 的 process_to_snapshot()将原始扁平 JSON 转成含有kpi_completion、user_acquisition、user_churn、card_activation、fiber_upgrade的字典。系统提示词定义报告章节考核指标全景、用户新装与流失等等并要求 Markdown 格式。运行 main.py输出output/report_20260506_xxx.md。这是最简单但完整的端到端流程。多地区横向对比报告当数据包含多个分公司时我们希望生成一份排名对比报告。数据准备在data/regions/下放置每个地区的 JSON 文件文件名即地区名。新增ranking_processor.py计算各指标排名、生成预警列表返回包含rankings和alerts的字典。提示词系统提示词要求生成排名表格和预警分析用户提示词注入排名 JSON。配置 REPORT_MODEmulti启用多地区对比。月度主机经营分析报告与日报告不同月度数据通常来自多个文件。数据加载load_host_data支持传入多个文件路径返回元组。专用重塑函数reshape_host_json合并多个数据源统一别名计算衍生指标如理论月净增、预警。表格生成compute_host_monthly_table根据重塑后的数据动态生成转置表格可分离“合计”等特殊行并按完成率排序。提示词包含三个分表系统提示词要求对每个表进行深度分析。宽带分析报告与速率区间图表宽带业务数据的特点是按速率区间100M以下、100M-200M 等细分。我们既要生成表格还要在 HTML 中绘制分组柱状图。重塑函数将每个速率区间的字段组合成复合键如300M_本月宽带数。表格函数生成“缴费宽带完成情况”和五个速率区间分表。HTML 转换在md_to_html.py中我们让大模型承担了生成柱状图的任务——在系统提示词中明确要求使用 Chart.js 绘制两个图表各速率区间总净增数对比柱状图各分公司分组柱状图5个区间不同颜色提示词中还包含“宽带升级方向分析”要求大模型对图表进行解读指出各经营体升级趋势。这种方式完全绕过了本地绘图库非常灵活。5G 月度 HTML 报告纯靠大模型5G 业务我们采用了最激进的方案跳过所有本地处理步骤直接将原始 JSON 注入提示词让大模型完成数据解析、指标计算、表格构建和 HTML 渲染。数据加载读取三个 JSON 文件合并为一个字典。提示词设计系统提示词详细描述了数据字段含义、报告结构三个完成情况表格 开卡销户表 套餐统计表、表格排序规则、预警颜色、HTML 样式。用户提示词仅包含三个 JSON 数据块。执行run_5g_monthly_report_html()构建提示词后直接调用大模型获取 HTML 字符串并保存。这种方法虽然消耗 token 较多但消除了所有业务计算代码极大简化了流程非常适合需求多变、快速上线的场景。Markdown 转 HTML 的美化方式我们提供了两种 MD→HTML 转换基于本地库markdown生成静态 HTML样式固定适用于离线环境。基于大模型编写系统提示词要求大模型生成带有内联样式、响应式设计、数据高亮和 Chart.js 图表的完整 HTML。可自由定制样式。实际项目中我们推荐在关键报告如宽带、5G上采用大模型转换以获得更佳的视觉效果和动态图表。Git 安全彻底清除 .env 文件.env包含密钥一旦误提交到 Git 就会造成安全风险。本文提供了一套完整的处理流程立即吊销泄露的密钥并生成新 Key。将.env加入.gitignore并提交。使用git filter-repo从历史记录中彻底清除.env文件。强制推送并通知协作者重新克隆仓库。我们给出了每一步的详细命令和注意事项确保小白也能安全操作。总结与展望通过这套项目你可以快速接入多业务线数据自动生成格式统一的报告。通过修改提示词灵活调整分析角度和报告结构无需重写代码。渐进式地将报表从手动制作过渡到全自动生成。未来你可以继续扩展定时任务用 cron 每天自动生成日报告。API 接收数据用 FastAPI 封装让上游系统实时推送 JSON 并触发报告生成。多模型支持将 LLM 调用抽象为接口轻松切换模型。完整的项目代码和示例数据可在我的 GitHub 仓库中找到链接待补充。希望本文能帮助所有运营分析人员从重复劳动中解放出来让数据自动“说话”。原文发表于 CSDN转载请注明出处。
