Inconvo 是一家 YC S23 创业公司，致力于简化非技术用户的数据分析。本案例研究将重点介绍 Inconvo 如何利用 LangGraph 和 LangSmith 来简化其数据查询流程。
问题：克服数据分析的障碍
Inconvo 旨在解决许多非技术用户面临的常见挑战，他们在使用传统的商业智能 (BI) 工作流程从数据中提取简单见解时感到困难。例如，SaaS 应用程序的用户可能会发现，仅仅为了回答像“过去两周我卖出了多少产品？”这样的简单问题，就不得不浏览复杂的 BI 工具，这非常麻烦。这种低效率不仅浪费时间，还限制了用户做出数据驱动决策的能力。
随着 Inconvo 寻求使用户能够以自然语言提问，从而消除数据分析方面技术专长的需求，对更直观解决方案的需求变得显而易见。通过提供简单的 API，Inconvo 旨在使开发人员能够轻松地将对话式分析添加到他们的应用程序中。
Agent UX：用于对话式数据分析的 API
Inconvo 的 agent 界面为用户提供了多种可视化和交互数据的方式。当用户提交自然语言查询时，API 以以下形式返回 JSON 结果
- 用于比较分类数据的条形图
- 用于时间序列分析的折线图
- 用于详细数据检查的表格
- 用于简单答案的文本
该 API 允许用户以对话方式优化他们的查询。例如，在看到初始结果后，用户可以要求不同的可视化效果或请求进一步筛选数据。这种交互式体验使非技术用户可以访问复杂的数据分析，而无需他们学习 SQL 或专门的 BI 工具。
使用 LangGraph 构建强大的查询处理系统
LangGraph 在 Inconvo 的架构中起着关键作用，并支持了多步骤工作流程，可以高效地处理用户查询。当用户提交问题时，LangGraph 会协调整个数据检索过程，首先是对数据库进行内省以了解其模式。这使 Inconvo 能够配置哪些数据是可访问的以及如何查询这些数据。
Inconvo 的架构利用 LangGraph 来管理条件工作流程，在这些工作流程中，可以根据用户的输入执行不同的操作。这包括选择表格、执行 SQL 查询以及以各种格式返回结构化输出。通过与 LangGraph 集成，Inconvo 可以处理包含多个步骤的复杂查询，确保用户快速收到准确且相关的结果。
认知架构遵循深思熟虑的推理模式
- 解析用户的自然语言查询
- 将查询映射到相关的数据库表和字段
- 生成适当的 SQL 查询
结论
Inconvo 对 LangGraph 的使用改变了非技术用户与其数据交互的方式，通过自然语言处理打破了数据分析的障碍。通过消除对专业技术技能的需求，Inconvo 普及了数据洞察的访问，使各行各业的用户能够快速有效地做出明智的决策。本案例研究演示了创新的 AI 解决方案如何解决现实世界的问题，并在数据分析领域创造更直观的用户体验。