สร้าง Data Analysis Agent ด้วย AutoGen: สร้างรายงานแสดงผลอัตโนมัติ

สรุป: AutoGen คืออะไร และทำไมต้องใช้กับ HolySheep AI

AutoGen เป็นเฟรมเวิร์กจาก Microsoft ที่ช่วยให้นักพัฒนาสร้าง Agent หลายตัวทำงานร่วมกันได้อย่างมีประสิทธิภาพ เมื่อผสานกับ HolySheep AI คุณจะได้รับประโยชน์จากค่าใช้จ่ายที่ประหยัดกว่า 85% เมื่อเทียบกับการใช้ API ทางการ พร้อมความหน่วงต่ำกว่า 50 มิลลิวินาที และรองรับวิธีชำระเงินหลากหลายผ่าน WeChat และ Alipay

เปรียบเทียบบริการ AI API ปี 2026

การติดตั้งและตั้งค่า AutoGen กับ HolySheep AI

จากประสบการณ์การใช้งานจริง การเริ่มต้นใช้งาน AutoGen กับ HolySheep AI ทำได้ง่ายและรวดเร็วกว่าการใช้ API ทางการมาก เนื่องจาก HolySheep รองรับ OpenAI-Compatible API โดยตรง

# ติดตั้ง AutoGen และไลบรารีที่จำเป็น
pip install autogen-agentchat matplotlib pandas python-dotenv

สร้างไฟล์ .env สำหรับเก็บ API Key
โดยดึง Key จาก https://www.holysheep.ai/register
echo "HOLYSHEEP_API_KEY=YOUR_HOLYSHEEP_API_KEY" > .env

สร้าง Data Analysis Agent พื้นฐาน

ในส่วนนี้เราจะสร้าง Agent ที่สามารถวิเคราะห์ข้อมูล CSV และสร้างรายงานพร้อมกราฟได้อัตโนมัติ โดยใช้ประโยชน์จาก DeepSeek V3.2 ซึ่งมีราคาถูกที่สุดในกลุ่ม ($0.42/1M Tokens)

import os
from dotenv import load_dotenv
from autogen import ConversableAgent, Agent, GroupChat, GroupChatManager
from autogen.agentchat.contrib.math_user_proxy_agent import MathUserProxyAgent

โหลด API Key จากไฟล์ .env
load_dotenv()

กำหนดค่า config_list สำหรับ HolySheep AI
config_list = [
    {
        "model": "deepseek-v3.2",
        "base_url": "https://api.holysheep.ai/v1",
        "api_key": os.getenv("HOLYSHEEP_API_KEY"),
        "price": [0.00042, 0.00042],  # $0.42/1M tokens = $0.00042/1K tokens
    }
]

สร้าง Data Analyst Agent
data_analyst = ConversableAgent(
    name="DataAnalyst",
    system_message="""คุณเป็นนักวิเคราะห์ข้อมูลผู้เชี่ยวชาญ
    คุณสามารถ:
    1. วิเคราะห์ข้อมูล CSV และสร้างสถิติ
    2. ระบุแนวโน้มและความผิดปกติในข้อมูล
    3. แนะนำกราฟที่เหมาะสมสำหรับแสดงผล
    4. สร้างโค้ด Python สำหรับสร้างกราฟ""",
    llm_config={
        "config_list": config_list,
        "temperature": 0.3,
    },
    human_input_mode="NEVER",
)

สร้าง Visualization Agent
visualizer = ConversableAgent(
    name="Visualizer",
    system_message="""คุณเป็นผู้เชี่ยวชาญด้านการแสดงผลข้อมูล
    คุณจะรับคำขอจาก DataAnalyst และสร้างกราฟที่เหมาะสม
    ส่งโค้ด Python กลับมาเสมอ""",
    llm_config={
        "config_list": config_list,
        "temperature": 0.2,
    },
    human_input_mode="NEVER",
)

สร้างระบบสนทนาระหว่าง Agent สำหรับวิเคราะห์ข้อมูล

import pandas as pd
import matplotlib.pyplot as plt
import matplotlib
matplotlib.use('Agg')  # ใช้งานในโหมดไม่แสดงผล

ตัวอย่างข้อมูลสำหรับทดสอบ
sample_data = pd.DataFrame({
    'date': pd.date_range('2025-01-01', periods=100),
    'sales': [100 + i*2 + (i%7)*10 for i in range(100)],
    'cost': [80 + i*1.5 + (i%5)*5 for i in range(100)],
    'category': ['A', 'B', 'C'] * 33 + ['A']
})

บันทึกข้อมูลทดสอบ
sample_data.to_csv('sales_data.csv', index=False)

สร้าง GroupChat สำหรับให้ Agent ทำงานร่วมกัน
group_chat = GroupChat(
    agents=[data_analyst, visualizer],
    messages=[],
    max_round=10
)

สร้าง Manager สำหรับจัดการ GroupChat
manager = GroupChatManager(
    groupchat=group_chat,
    llm_config={"config_list": config_list}
)

เริ่มการสนทนา
user_proxy = ConversableAgent(
    name="User",
    human_input_mode="ALWAYS",
    llm_config=False,
    code_execution_config=False,
)

ส่งคำขอวิเคราะห์ข้อมูล
task_prompt = """วิเคราะห์ข้อมูลในไฟล์ sales_data.csv และ:
1. คำนวณหาค่าเฉลี่ย ค่าเบี่ยงเบนมาตรฐาน และค่าสูงสุด-ต่ำสุด
2. ระบุเดือนที่มียอดขายสูงสุดและต่ำสุด
3. เปรียบเทียบยอดขายระหว่างหมวดหมู่สินค้า
4. สร้างกราฟแท่งแสดงยอดขายตามหมวดหมู่
5. สร้างกราฟเส้นแสดงแนวโน้มยอดขายรายเดือน"""

รันการวิเคราะห์
user_proxy.initiate_chat(
    manager,
    message=task_prompt
)

print("การวิเคราะห์เสร็จสมบูรณ์!")

สร้างรายงานแบบอัตโนมัติที่สมบูรณ์

from datetime import datetime
import io
import base64

class AutoReportGenerator:
    def __init__(self, api_key):
        self.api_key = api_key
        self.config_list = [
            {
                "model": "deepseek-v3.2",
                "base_url": "https://api.holysheep.ai/v1",
                "api_key": api_key,
                "price": [0.00042, 0.00042],
            }
        ]
    
    def analyze_and_generate_report(self, csv_path, output_file="report.html"):
        """วิเคราะห์ข้อมูลและสร้างรายงาน HTML"""
        
        # อ่านข้อมูล
        df = pd.read_csv(csv_path)
        
        # สร้าง Agent สำหรับสร้างรายงาน
        report_agent = ConversableAgent(
            name="ReportGenerator",
            system_message="""คุณเป็นผู้เชี่ยวชาญในการสร้างรายงานธุรกิจ
            คุณจะวิเคราะห์ข้อมูลและสร้างรายงาน HTML ที่สวยงาม
            รายงานต้องมี:
            - หัวข้อและวันที่
            - สรุปผลวิเคราะห์
            - ตารางสรุปข้อมูลสำคัญ
            - กราฟที่แสดงผลข้อมูล""",
            llm_config={
                "config_list": self.config_list,
                "temperature": 0.3,
            },
        )
        
        # สร้างคำขอวิเคราะห์
        analysis_result = df.describe().to_string()
        
        # สร้างกราฟพื้นฐาน
        fig, axes = plt.subplots(2, 2, figsize=(14, 10))
        
        if 'sales' in df.columns:
            df.groupby(df['date'].dt.month)['sales'].sum().plot(
                kind='bar', ax=axes[0, 0], color='#3498db'
            )
            axes[0, 0].set_title('ยอดขายรายเดือน')
        
        if 'category' in df.columns and 'sales' in df.columns:
            df.groupby('category')['sales'].sum().plot(
                kind='pie', ax=axes[0, 1], autopct='%1.1f%%'
            )
            axes[0, 1].set_title('สัดส่วนยอดขายตามหมวดหมู่')
        
        # บันทึกกราฟเป็น Base64
        buf = io.BytesIO()
        plt.savefig(buf, format='png', dpi=150, bbox_inches='tight')
        buf.seek(0)
        graph_data = base64.b64encode(buf.read()).decode('utf-8')
        plt.close()
        
        # สร้าง HTML Report
        html_content = f"""
        <!DOCTYPE html>
        <html lang="th">
        <head>
            <meta charset="UTF-8">
            <title>รายงานวิเคราะห์ข้อมูล - {datetime.now().strftime('%Y-%m-%d')}</title>
            <style>
                body {{ font-family: 'Sarabun', sans-serif; margin: 40px; }}
                .header {{ background: #2c3e50; color: white; padding: 20px; }}
                .summary {{ background: #ecf0f1; padding: 20px; margin: 20px 0; }}
                table {{ border-collapse: collapse; width: 100%; }}
                th, td {{ border: 1px solid #ddd; padding: 12px; text-align: left; }}
                th {{ background: #3498db; color: white; }}
                .graph {{ text-align: center; margin: 20px 0; }}
            </style>
        </head>
        <body>
            <div class="header">
                <h1>📊 รายงานวิเคราะห์ข้อมูลธุรกิจ</h1>
                <p>วันที่สร้างรายงาน: {datetime.now().strftime('%d/%m/%Y %H:%M')}</p>
            </div>
            
            <div class="summary">
                <h2>📈 สรุปผลวิเคราะห์</h2>
                <p>ผลวิเคราะห์จาก {len(df)} รายการข้อมูล:</p>
                <pre>{analysis_result}</pre>
            </div>
            
            <div class="graph">
                <h2>📉 �
แหล่งข้อมูลที่เกี่ยวข้อง
📚 บทช่วยสอน AI API
💰 ดูราคา
📖 เอกสารสำหรับนักพัฒนา
🚀 สมัครฟรี
บทความที่เกี่ยวข้อง
Agent Prompt Engineering: ระบบ Prompt ออกแบบยังไงให้ AI Agen
การเชื่อมต่อ MCP กับ Slack และ Discord: คู่มือขยาย AI Chatbo
Multi-Modal RAG: คู่มือฉบับสมบูรณ์สำหรับวิศวกร AI