先说结论

我做了一个开源 Data Agent 叫 Lakemind。它的核心哲学是：

不要追求让大模型一次写对 SQL，而是让它快速试错、自我纠错。

这个想法可能反直觉——大部分 Text-to-SQL 产品的优化方向都是"提高单次准确率"。但我在实际做数据分析时发现：现实业务数据太脏太乱，LLM 单次准确率有一个物理上限，你堆再多 schema 描述、规则约束都突破不了。

传统方案的困境

当前主流的"问数"产品有几个结构性问题：

1. 数据安全风险：原始数据行需要上传到云端才能让大模型分析
2. 单次生成模式：SQL 写错只能重试，缺乏基于执行错误的自我修正
3. 跨源查询缺失：本地文件和远程数据库无法直接 JOIN
4. “问完即走”：分析结果只是一张静态表，不能就地落盘复用
5. 成本高昂：强绑定 GPT-4/Claude 等旗舰模型，高频使用成本吓人

Lakemind 的解法

1. 快速试错-纠偏环

本地 DuckDB 执行查询是毫秒级的。Agent 写了一条 SQL，执行报错了？没关系——拿到 DuckDB 的原始报错信息，Agent 立刻修正再试。1 分钟内可以跑 10 轮，总有一次是对的。

这比花 2 分钟让大模型冥思苦想一条"完美"语句高效得多。

2. 本地优先，零 ETL

DuckDB 作为中央查询协调器：

• 本地文件（CSV/Parquet/Excel）在本地 CPU 直接计算
• 远程数据库（PostgreSQL/MySQL）的大表通过查询下推，在源端预聚合后只拉取轻量结果
• 两者在本地内存中 JOIN，不需要 Trino 这样的中间件

关键：大模型只收到表结构（Schema）和 OKF 语义定义，原始数据行绝对不上网。

3. 主动物化（Active Materialization）

Agent 不是只打印 SQL 字符串和静态表格。它会主动清洗、转换、聚合数据，把结果物化为：

• t_ 前缀：最终干净物理表（如 t_sales_monthly）
• v_ 前缀：最终干净虚拟视图

下次分析可以直接复用这些资产表，不需要从零开始。

4. DuckLake 持久化

每个工作区有自己的 lake.ducklake + lake_data/ 目录。导入的源文件物化为 s_* 表/视图后持久化到磁盘——重启不丢失，下次打开不需要重新扫描。

5. OKF — 可携带的上下文

借鉴谷歌开源的 Open Knowledge Format 思路，Lakemind 把 Schema、主外键 JOIN 关系网、指标定义打包成一个 .okf/ 文件夹（Markdown + YAML），随数据库文件一起流转。

把数据集分享给同事时，对方的 Agent 立刻继承所有业务记忆，不会 LLM 冷启动。

6. 可进化准则库

分析准则不是糊在系统提示词里的静态文本，而是遵循 OKF v0.1 规范的分层知识库：

• 宪法总则：跨行业普适的数据纪律红线
• 阶段分则：按分析主题（转化、增长等）组织
• 行业分则：教育、旅游、房地产等，按 frontmatter 标签多维分类

Agent 运行时通过 search_tenets / load_tenets 工具按需检索注入。新增行业只需加一个 Markdown 文件，零代码。

7. 普惠成本

因为本地执行反馈是毫秒级的，轻量模型（如 deepseek-v4-flash）通过自纠错循环就能表现很好。Token 成本降到几毛钱级别，真正可以走进每个分析师的日常工作流。

技术架构

层	选型	理由
桌面壳	Tauri 2.0 + Rust	原生级性能，安装包几十 MB，内存占用远低于 Electron
计算引擎	DuckDB (duckdb-rs, bundled) + DuckLake	进程内 OLAP，GB 级数据亚秒响应，持久化 catalog
元数据	SQLite (rusqlite)	工作区 + 任务 + 源表 + 配置 + 连接 + 日志，统一索引
Agent 框架	Rig SDK (rig-core)	Rust 原生智能体框架，流式 ReAct 循环，16 个工具
前端	SolidJS + TanStack	响应式 UI，百万行虚拟化表格 60fps
编辑器	CodeMirror 6	SQL 语法高亮，Ctrl/Cmd+Enter 执行
LLM 提供商	OpenAI / Anthropic	流式输出，429 限流自动指数退避重试

当前状态

• v0.5.5 已发布（2026-07-12），420 次提交，14 个 Release
• M2 已交付：流式 LLM ReAct 循环 + 16 个工具全部上线
• 当前重心：bug 修复 + 推广
• M3：Profiler + Polars 清洗管线 + 分析画布 + Arrow IPC 零拷贝传输
• M4：企业级隔离 + LanceDB 记忆 + 审计日志

试用方式

1. 直接下载：GitHub Releases
2. 源码编译：

git clone https://github.com/tsingliuwin/lakemind.git
cd lakemind
npm install --include=dev
npm run tauri dev

3. 配置大模型 API（支持 OpenAI / Anthropic），开始用自然语言分析数据

项目地址： https://github.com/tsingliuwin/lakemind

官网： https://lakemind.xi-n.com

许可证： AGPL-3.0，完全开源

---

欢迎 Star、提 Issue、给建议。如果你经常需要分析本地数据文件，这个工具可能正是你需要的。