从零开始，搭建本地AI数据分析平台，用自然语言提问--- 微软Data Formulator 开源智能体的本地化实践 \* { margin: 0; padding: 0; outline: 0; } body { font-family: "PingFang SC", system-ui, -apple-system, BlinkMacSystemFont, "Helvetica Neue", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif; line-height: 1.6; } .\_\_page\_content\_\_ { max-width: 667px; margin: 0 auto; padding: 20px; text-size-adjust: 100%; color: rgba(0, 0, 0, 0.9); padding-bottom: 64px; } .title { user-select: text; font-size: 22px; line-height: 1.4; margin-bottom: 14px; font-weight: 500; } .\_\_meta\_\_ { color: rgba(0, 0, 0, 0.3); font-size: 15px; line-height: 20px; hyphens: auto; word-break: break-word; margin-bottom: 50px; } .\_\_meta\_\_ .nick\_name { color: #576B95; } .\_\_meta\_\_ .copyright { color: rgba(0, 0, 0, 0.3); background-color: rgba(0, 0, 0, 0.05); padding: 0 4px; margin: 0 10px 10px 0; } blockquote.source { padding: 10px; margin: 30px 0; border-left: 5px solid #ccc; color: #333; font-style: italic; word-wrap: break-word; } blockquote.source a { cursor: pointer; text-decoration: underline; } .item\_show\_type\_0 > section { margin-top: 0; margin-bottom: 24px; } a { color: #576B95; text-decoration: none; cursor: default; } .text\_content { margin-bottom: 50px; user-select: text; font-size: 17px; white-space: pre-wrap; word-wrap: break-word; line-height: 28px; hyphens: auto; } .picture\_content .picture\_item { margin-bottom: 30px; } .picture\_content .picture\_item .picture\_item\_label { text-align: center; } img { max-width: 100%; } .pay\_subscribe\_notice { margin: 30px 0; padding: 20px; background: #fffbe6; border: 1px solid #ffe58f; border-radius: 8px; } .pay\_subscribe\_badge { display: inline-block; padding: 4px 12px; background: #faad14; color: #fff; border-radius: 4px; font-size: 14px; font-weight: 500; margin-bottom: 12px; } .pay\_subscribe\_desc { font-size: 15px; line-height: 1.8; color: rgba(0, 0, 0, 0.7); margin-bottom: 12px; } .pay\_subscribe\_hint { font-size: 13px; color: rgba(0, 0, 0, 0.4); } .\_\_bottom-bar\_\_ { display: flex; justify-content: space-between; align-items: center; position: fixed; bottom: 0; left: 0; right: 0; height: 64px; padding: 8px 20px; background: white; box-sizing: border-box; border-top: 1px solid rgba(0, 0, 0, 0.2); } .\_\_bottom-bar\_\_ .left { display: flex; align-items: center; font-size: 15px; white-space: nowrap; } .\_\_bottom-bar\_\_ .right { display: flex; } .\_\_bottom-bar\_\_ .sns\_opr\_btn { display: flex; align-items: center; user-select: none; background: transparent; border: 0; color: rgba(0, 0, 0, 0.9); font-size: 14px; } .\_\_bottom-bar\_\_ .sns\_opr\_btn:not(:last-child) { margin-right: 16px; } .\_\_bottom-bar\_\_ .sns\_opr\_btn > img { margin-right: 4px; }
从零开始，搭建本地AI数据分析平台，用自然语言提问— 微软Data Formulator 开源智能体的本地化实践
原创 恒健知行 恒健知行 2026-07-16 00:00 安徽
运管智能体功能边际在哪里
医院运营管理数据基础 - 从采集到决策的全链路数据治理
医院运管智能体 - 让运营数据分析张嘴就来
===
————————————————————
一、缘起：为什么要做这次测试？
在DRG/DIP支付改革深入推进的今天，医院运营管理对数据驱动的需求日益迫切。但一个现实问题是：医院的数据分析能力，能否跟上业务需求的速度？
Data Formulator是微软研究院开源的一款AI驱动数据可视化工具，它允许用户通过自然语言提问，让AI代理自动分析数据并生成可视化图表。MiniMax则是国内领先的大模型服务商。
本次测试的核心目标：
验证Data Formulator能否在本地环境中稳定运行
测试MiniMax大模型对医疗领域数据的理解和分析能力
探索"自然语言→数据分析→可视化图表"这一工作流在医疗场景中的可行性
二、环境搭建：从零开始的本地部署
2.1 硬件与软件环境
说明
操作系统
Windows 11 专业版
Python版本
3.11
核心框架
Data Formulator v0.7（微软研究院）
大模型
MiniMax (MiniMax-Text-01)
模型接入
通过 LiteLLM 统一适配层
2.2 启动服务
执行uvx data_formulator –port 5567启动服务，浏览器自动打开主界面：
Data Formulator首页
2.3 数据上传
上传20260416combined_data.csv（41,430条DRG住院记录）：
数据上传界面
2.4 数据加载完成
数据加载完成后，系统自动识别字段并展示数据概览：
数据加载完成
三、数据准备
本次测试使用的模拟数据为data.csv，包含4万+条住院记录，32个字段。
类别
字段
基本信息
年度、月份、科室、医保类型
费用信息
医疗总费用、统筹基金、DRG付费总额
住院信息
实际住院天数、住院类型、入院/出院时间
诊断信息
DRGS编码/名称、主诊断、主手术
支付信息
支付方式、权重值、费率值
四、测试过程：问题问答
问题一：费用趋势分析
提问：“分析2023年各月份的医疗总费用和DRG付费总额的趋势对比”
提问输入后点击发送，等待模型响应：
MiniMax首先识别出这是一个"时间序列+双指标对比"分析需求。模型自动完成了按月份分组聚合、计算月度汇总数据、选择合适的图表类型等步骤。
图1：费用趋势分析结果
响应时间：约30秒
问题二：科室绩效分析
提问：“哪个科室的平均住院天数最长？各科室的DRG付费总额分布如何？”
模型需要识别"科室"作为分组维度，计算"平均住院天数"和"DRG付费总额"两个指标，分别排序并展示Top 10。
图2：科室绩效双维度分析结果
响应时间：约35秒
问题三：DRG分组统计
提问：“统计各DRGS名称的病例数量，找出病例数最多的前10个DRGS分组”
模型正确理解"Top-N"的排序需求，按DRGS名称分组计数，降序排列取前10，选择水平条形图展示。
图3：Top 10 DRG分组分析结果
响应时间：约28秒
问题四：科室病种月份分析报告
自动将历次的图表组合成一份完整的报告，支持导出PDF：
五、测试结果总结
5.1 模型表现评分
评估维度
得分
说明
准确性
★★★★
数据计算基本准确，未发现明显错误
可视化质量
★★★★
图表类型选择合理，标签清晰
响应速度
★★★★
平均响应时间约33秒
实用性
★★★★
分析结果具有实际管理参考价值
业务理解
★★★★
对DRG、医保等医疗概念理解准确
5.2 亮点发现
自然语言理解能力强：模型能够正确解析"趋势对比"、“分布如何”、“找出最多"等自然语言表达
图表类型选择合理：自动选择了柱状图、折线图、箱线图、双轴图等合适的图表类型
数据分析完整：从分组聚合到排序筛选，完成了完整的数据分析链路
医疗业务理解准确：对DRG分组、医保类型、科室分类等医疗概念理解到位
5.3 改进空间
对于复杂问题（如多维度交叉分析），响应时间略长（约40秒）
部分图表的标签显示可进一步优化
在数据量较大的场景下，图表渲染需要优化
六、部署经验分享
6.1 本地部署要点
安装命令：pip install data_formulator
启动命令：python -m data_formulator –port 5567
配置方式：在.env文件中配置大模型API Key
6.2 国内大模型接入方式
模型
配置方式
MiniMax
MINIMAX_ENABLED=true + API Key
DeepSeek
DEEPSEEK_ENABLED=true + API Key
通义千问
QWEN_ENABLED=true + API Key
智谱GLM
GLM_ENABLED=true + API Key
本地模型
通过Ollama接入
6.3 数据安全
所有数据存储在本地，支持纯内网部署
代码执行在本地沙箱中完成，确保数据安全
支持等保合规要求，适合医疗行业
七、结语
本次测试从环境搭建到完成7个问题的全流程分析，完整验证了Data Formulator + MiniMax在国内医疗数据场景下的可行性和实用性。
恒健知行
 阅读 赞  分享 ’%3E %3Cg transform=‘translate(0 -2.349)’%3E %3Cpath d=‘M0 2.349h24v24H0z’/%3E %3Cpath fill=’%23576B95’ d=‘M16.45 7.68c-.954 0-1.94.362-2.77 1.113l-1.676 1.676-1.853-1.838a3.787 3.787 0 0 0-2.63-.971 3.785 3.785 0 0 0-2.596 1.112 3.786 3.786 0 0 0-1.113 2.687c0 .97.368 1.938 1.105 2.679l7.082 6.527 7.226-6.678a3.787 3.787 0 0 0 .962-2.618 3.785 3.785 0 0 0-1.112-2.597A3.687 3.687 0 0 0 16.45 7.68zm3.473.243a4.985 4.985 0 0 1 1.464 3.418 4.98 4.98 0 0 1-1.29 3.47l-.017.02-7.47 6.903a.9.9 0 0 1-1.22 0l-7.305-6.73-.008-.01a4.986 4.986 0 0 1-1.465-3.535c0-1.279.488-2.56 1.465-3.536A4.985 4.985 0 0 1 7.494 6.46c1.24-.029 2.49.4 3.472 1.29l.01.01L12 8.774l.851-.85.01-.01c1.046-.951 2.322-1.434 3.59-1.434 1.273 0 2.52.49 3.472 1.442z’/%3E %3C/g%3E %3C/g%3E %3C/g%3E%3C/svg%3E) 推荐 ’ fill=’%23000’ fill-opacity=’.9’/%3E%3C/svg%3E) 留言