开源！我用SQLite + DuckDB打造了一款可视化AI问数平台

在我创业的过程中(企业日常运营)，业务人员（销售、运营、财务等）每天会产生大量的数据，但受限于技术门槛，无法像数据分析师一样高效地探查数据、获取洞察。

而传统BI工具操作又比较复杂、学习成本高，让技术人员逐项写SQL取数效率又非常低下。

于是我花了一周时间，借助Vibe Coding，打造了一款开源可视化数据分析工具——灵析(AureKa)。

它可以让用户“像聊天一样”分析数据，用自然语言完成原本需要SQL和Python才能实现的数据分析。

概括来看，我们不需要雇佣一个数据分析人员，或者一个专业人士，来帮我们分析整理数据，只需要一个指令，AI就能自动帮你分析excel数据内容，并生成专业的数据洞察报告。

之前和大家说会开源一个版本，所以今天来兑现一下自己的承诺：

github：github.com/MrXujiang/o…

下面我会详细地和大家介绍这款AI开源项目有哪些值得参考的功能和技术实现。

核心功能介绍

Aureka是一个开箱即用的对话式智能数据分析平台（Chat BI），我们完成一个数据分析报告，只需要按照如下步骤操作：

1. 上传 Excel / CSV 数据集
2. 用自然语言提问，例如「近三个月各渠道销售额对比，哪个渠道下滑最严重？」
3. AI Agent 自动完成意图识别 → SQL 生成 → DuckDB 查询 → 数据分析 → 图表推荐
4. 实时流式输出分析结论、数据表格与 ECharts 可视化图表
5. 一键沉淀为分析报告，随时回溯历史会话

整个过程不需要我们编写任一行代码，数据全部保存在用户本地（基于SQLite + DuckDB存储），隐私可控、支持本地私有化部署。

核心功能如下：

1.自然语言查询

我们可以像聊天一样提问，Aureka 会自动翻译为可执行 SQL，并进行数据查询和分析工作。

下面分享一个完整对话的过程：

我们可以看到，通过我设计的Agent，AI可以自动编写SQL进行数据查询和分析，自动生成可视化图表。

2. 多意图智能路由

Aureka 内置了数据查询、对比分析、归因分析、异常检测、趋势预测、统计汇总等分析意图，可以帮助我们进行专业的数据分析。

如果你是团队管理者，可以导入一个任务管理表，它能一键帮你分析团队项目进展，风险评估和团队KOI / KPI；

如果你是经营者，可以让Aureka 帮你分析经营数据，并给出更科学的洞察和建议。

下面是我基于一个 Excel 表格让 Aureka 生成的分析报告，给大家参考一下：

3. 多格式数据接入

目前 Aureka 支持了 CSV，XLSX，XLS等文件格式的解析和导入，同时还能直接在线编辑这些文件的数据，让AI实时分析。

另一方面，对于企业业务系统的数据，我还提供了数据源接入的模块：

支持接入 Mysql，PostgreSQL等数据库连接。大家还能在已有方案的基础上继续扩展。

4. 高性能分析引擎

Aureka 采用了 DuckDB列式引擎设计，支持百万行级数据秒级聚合，并且能实现高效的图表生成服务。

5. 定制可视化报表

我们可以从历史对话中，将生成的图表 ding 到指定的仪表盘中，来实现上图所示的可视化大屏，让数据持续产生洞察价值。

比如在上面的AI分析对话中，我们可以 hover 到图表的右上角，点击按钮即可将当前分析图表“钉”到指定的仪表盘中：

技术实现

上面是我设计的Aureka Agent 工作流。完整的技术栈如下：

各节点实现逻辑我下面和大家详细分析总结一下：

1. 1. 意图识别 Intent Router

1. 输入：用户的自然语言对话 + 当前数据集表结构元信息

2. 实现：LLM 分类多分析意图（统计汇总、渠道对比、异常检测、趋势预测、多维度归因等）

3. 作用：区分分析类型，给后续 SQL 生成提供定向 Prompt，减少无效 SQL

4. 2. SQL 生成 SQL Generator

5. 上下文注入：自动拼接数据集字段名、数据类型、样例数据，规避字段名拼写错误等风险

6. 约束：强制生成 DuckDB 兼容标准 SQL，禁止 DDL 删改表语句，仅支持 SELECT 查询

7. 容错机制：LLM 生成 SQL 语法错误时，自动携带报错日志二次修正

8. 3. DuckDB 查询执行层

9. 批量导入 Excel/CSV 至本地列式存储，无需依赖外部数据库

10. 列式引擎天然适配聚合、分组、排序，百万行数据秒级返回

11. 隔离机制：每个用户数据集独立逻辑表，数据仅存在本地文件./data/analysis.duckdb

12. 4. 数据分析模块 Analysis

13. 接收 SQL 查询结果，LLM 基于数值自动输出业务解读：涨跌幅度、占比、异常点、潜在原因

14. 结构化输出文本结论，区分客观数据描述与主观业务分析

15. 5. 图表推荐 Chart Advisor

16. 规则 + LLM 双层判断：根据维度数量、指标类型自动匹配 ECharts 图表（折线、柱状、饼图、表格）

17. 输出标准化 ECharts 配置 JSON，前端直接渲染，无需二次适配

18. 6. SSE 流式输出

19. 采用 Server-Sent Events 长连接，替代轮询 / WebSocket，轻量化无连接断开开销

20. 分块推送：先输出思考文本 → SQL 语句 → 数据表格 JSON → 图表配置 → 完整分析结论

21. 前端useSSE钩子增量渲染，实现打字机实时输出体验

数据存储层双引擎设计

项目采用双数据库分离存储，实现了元数据与分析数据的解耦，所有文件都通过本地磁盘存储，不需要云端上传，提高了数据的安全性：

1. SQLite（元数据存储）

1. 存储内容：用户账号、JWT 会话、数据集基础信息、历史对话、分析报告、系统配置

2. 文件路径：./data/metadata.db

3. 缓存配套：Keyv 支持 memory/sqlite 双缓存驱动，缓存 LLM 配置、数据集表结构，减少重复解析

4. DuckDB（列式分析引擎）

5. 存储内容：用户上传的 Excel/CSV 原始数据，全部导入本地文件./data/analysis.duckdb

6. 技术优势：嵌入式 OLAP 引擎，无需独立服务进程，NodeJS 直接本地读写；针对批量聚合查询性能远优于 SQLite；支持 CSV/Excel 直接导入语法

7. 文件存储： 上传文件本地保存./uploads目录，可自定义存储驱动，默认 local 本地磁盘

整个项目我采用了 Monorepo 全栈分层架构，分为前端应用层、后端服务层、AI 智能编排层、数据存储引擎层，一共四层，配套工程化底座、鉴权、国际化基础设施，对于AI项目来说还是非常有参考借鉴价值的，大家可以研究参考一下。

多模型配置

后端我抽象了统一的 LLM Provider 接口，兼容主流大模型，用户可以线上接入自己的模型AI，也可以使用 OpenAPI 兼容的URL地址接入（比如DIFY），具体模型兼容和技术设计如下：

1. 支持厂商：OpenAI、DeepSeek、通义千问 (Qwen)、Kimi
2. 统一配置字段：LLM_PROVIDER、LLM_API_KEY、LLM_BASE_URL、LLM_MODEL、温度控制LLM_TEMPERATURE=0.1（低温度保证 SQL 稳定性）
3. 适配器封装：统一格式化 Prompt、处理流式 chunk、捕获 API 异常，上层 Agent 无感知切换模型

用户体系和JitWord完全打通

大家可以直接用 JitWord 的账号一键注册登录，同时也可以使用它的开放API，通过API自动获取 Token：

github：github.com/MrXujiang/o…

如果大家对这款工具感兴趣，欢迎交流反馈 + 共建。

开源不易，多多 star～