✈️ 飞行情报自动化代理
一个本地AI驱动的自动化系统,将航班销售数据转化为可操作的见解——基于您的 Flight Sales Data Pipeline 项目使用 DuckDB, 气流, 溪流,以及 开源LLM 通过精心策划 模型上下文协议(MCP).
🧭 概述
该项目将之前的Airflow ETL管道扩展为完整的 AI自动化系统.\
它将航班销售数据(通过Mock API模拟)与本地拥抱脸LLM连接到:
- 生成 日常商业洞察 根据飞行数据。
- 自动化摘要和异常检测。
- 将见解存储并可视化 流线型仪表板.
- 全力奔跑 本地,使用 MCP框架 用于模块化自动化。
⚙️ 技术栈
| 图层 | 工具 | 目的 |
|---|---|---|
| 🐍 编程 | Python | 核心脚本语言 |
| 🪶 存储 | DuckDB | 分析数据库 |
| 🧱 编排 | Apache气流 | ETL和自动化 |
| 🧠 AI模型 | 拥抱脸(Phi-2/Mistral/Llama) | 洞察力生成 |
| 🔗 协议 | MCP(模型上下文协议) | 工具编排 |
| 📊 可视化 | 流媒体 | 交互式仪表板 |
| 🪄 自动化 | 监视器/Cron | 自动化的本地触发器 |
| 🐳 容器化 | Docker | 可选气流部署 |
📂 文件夹结构```bash
flight_intelligence_agent/
├── db/
│ ├── raw_data.duckdb
│ ├── db_connection.py
│ ├── init_schema.py
│ ├── fetch_and_insert.py
│ └── transformations.py
│
├── airflow/
│ ├── dags/
│ │ └── etl_pipeline.py
│ └── docker-compose.yaml
│
├── agents/
│ ├── insights_agent.py
│ └── scheduler.py
│
├── mcp_layer/
│ ├── client.py
│ └── servers/
│ ├── duckdb_server.py
│ ├── filesystem_server.py
│ └── ai_server.py
│
├── dashboard/
│ └── app.py
│
├── reports/
│ ├── daily_summary.txt
│ └── anomalies.json
│
├── config/
│ ├── config.json
│ └── .env
│
├── requirements.txt
├── .gitignore
└── README.md
## 🧩 建筑
______________________________________________________________________
## 🔍 运作原理
### 🛫 数据摄取
- `fetch_and_insert.py` 从 **模拟API**.
- 气流DAG(`etl_pipeline.py`)自动化日常 **提取、转换、加载** 过程 *(摘录→ 变换→ Load)*.
- 数据存储在 **DuckDB** 在模式下 `raw.bookings`.
______________________________________________________________________
### 🔄 数据转换
- `transformations.py` 计算KPI,例如 **总收入**, **平均票价**,以及 **独特的乘客数量**.
- 处理后的数据存储在 **已处理的模式** 用于分析。
______________________________________________________________________
### 🧠 AI洞察层
- 这 **MCP AI代理** (`insights_agent.py`)连接到 **DuckDB** 并检索KPI。
- 它将数据输入到 **开源拥抱脸模型** (例如。 `Phi-2` 或 `Mistral`).
- 代理生成 **自然语言摘要** 和 **异常警报**,保存在 `/reports/`.
______________________________________________________________________
### ⚙️ 通过MCP实现自动化
- 这 **MCP客户端** 协调多个本地服务器之间的通信:
|服务器|用途|
|---------|----------|
| 🪶 `duckdb_server.py` |公开SQL查询和KPI数据。 |
| 📁 `filesystem_server.py` |管理本地报告生成和文件监控|
| 🧠 `ai_server.py` |包裹一个拥抱脸LLM用于文本生成和推理。 |
➡️ 这 **AI 代理** 充当中央编排器,通过 **模型上下文协议**.
______________________________________________________________________
### 📊 可视化
- 这 **流线型仪表板** 从读取已处理的数据 **DuckDB** 以及来自以下方面的见解 `/reports/`.
- 显示 **实时关键绩效指标**, **销售趋势**,以及 **人工智能生成的摘要**.
______________________________________________________________________
## 🧠 输出示例
**AI摘要示例:**
> 收入增加 **每周8%**,主要由 **商务舱预订** 从 *巴黎→ 纽约。*\
> 然而, **经济舱票价** 看到a **下降5%** 由于季节性影响,入住率下降。
______________________________________________________________________
## 🚀 快速入门
### 1.️⃣ 设置环境```bash
git clone https://github.com//flight_intelligence_agent.git
cd flight_intelligence_agent
pip install -r requirements.txt
2.️⃣ 运行ETL管道```bash
python db/init_schema.py
python db/fetch_and_insert.py
或者从气流开始:```bash
docker-compose up
3.️⃣ 运行AI Insight Agent```bash
python agents/insights_agent.py
### 4.️⃣ 启动仪表板```bash
streamlit run dashboard/app.py
