基于 AgentScope 和 Data-Juicer (DJ) 构建的数据处理多智能体系统。该项目展示了如何利用大模型的自然语言理解能力，让非专家用户也能轻松使用 Data-Juicer 的强大数据处理能力。
在大模型研发和应用的实际工作中，数据处理仍然是一个高成本、低效率、难复现的环节。很多团队花在数据分析、清洗、合成等阶段的时间，往往超过模型训练、需求对齐、应用功能开发。
我们希望通过智能体技术，把开发者从繁琐的脚本拼凑中解放出来，让数据研发更接近"所想即所得"的体验。
数据直接定义了模型能力的上限。真正决定模型表现的，是数据的质量、多样性、有害性控制、任务匹配度等多个维度。优化数据，本质上就是在优化模型本身。而要高效地做这件事，我们需要一套系统化的工具。
DataJuicer Agent 正是为支撑数据与模型协同优化这一新范式而设计的智能协作系统。
Data-Juicer (DJ) 是一个覆盖大模型数据全生命周期的开源处理系统，提供四个核心能力：
- 全栈算子库（DJ-OP）：近 200 个高性能、可复用的多模态算子，覆盖文本、图像、音视频
- 高性能引擎（DJ-Core）：基于 Ray 构建，支持 TB 级数据、万核分布式计算，具备算子融合与多粒度容错
- 协同开发平台（DJ-Sandbox）：引入 A/B Test 与 Scaling Law 思想，用小规模实验驱动大规模优化
- 自然语言交互层（DJ-Agents）：通过 Agent 技术，让开发者用对话方式构建数据流水线
DataJuicer Agent 不是一个简单的问答机器人，而是一个数据处理的智能协作者。具体来说，它能：
- 智能查询：根据自然语言描述，自动匹配最合适的算子（从近200个算子中精准定位）
- 自动化流程：描述数据处理需求，自动生成 Data-Juicer YAML 配置并执行
- 自定义扩展：帮助用户开发自定义算子，无缝集成到本地环境
我们的目标是：让开发者专注于"做什么"，而不是"怎么做"。
DataJuicer Agent 采用多智能体路由架构，这是系统可扩展性的关键。当用户输入一个自然语言请求，首先由 Router Agent 进行任务分诊，判断这是标准的数据处理任务，还是需要开发新能力的定制需求。
用户查询
↓
Router Agent (任务分诊)
├── 标准数据处理任务 → Data Processing Agent (DJ Agent)
│ ├── 预览数据样本（确认字段名和数据格式）
│ ├── query_dj_operators (基于语义匹配算子)
│ ├── 生成 YAML 配置文件
│ └── execute_safe_command (执行 dj-process, dj-analyze)
│
└── 自定义算子开发 → Code Development Agent (DJ Dev Agent)
├── get_basic_files (获取基类和注册机制)
├── get_operator_example (获取相似算子示例)
├── 生成符合规范的算子代码
└── 本地集成（注册到用户指定路径）
Agent 与 DataJuicer 的集成有两种方式，以适应不同使用场景：
- 绑定工具模式：Agent 调用 DataJuicer 的命令行工具（如
dj-analyze、dj-process），兼容现有用户习惯，迁移成本低 - 绑定 MCP 模式：Agent 直接调用 DataJuicer 的 MCP（Model Context Protocol）接口，无需生成中间 YAML 文件，直接运行算子或数据菜谱，性能更优
这两种方式由 Agent 根据任务复杂度和性能需求自动选择，确保灵活性与效率兼得。
- Python 3.10+
- 有效的 DashScope API 密钥
- 可选：Data-Juicer 源码（用于自定义算子开发）
# 推荐使用uv
uv pip install -r requirements.txt或
pip install -r requirements.txt- 设置 API 密钥
export DASHSCOPE_API_KEY="your-dashscope-key"- 可选：配置 Data-Juicer 路径（用于自定义算子开发）
export DATA_JUICER_PATH="your-data-juicer-path"提示：也可以在运行时通过对话设置，例如：
- "帮我设置 DataJuicer 路径：/path/to/data-juicer"
- "帮我更新 DataJuicer 路径：/path/to/data-juicer"
通过 -u 或 --use_studio 参数选择运行方式：
# 使用 AgentScope Studio 的交互式界面（请先安装并启动 AgentScope Studio）
python main.py --use_studio True
# 或直接使用命令行模式（默认）
python main.py注：
AgentScope Studio 通过 npm 安装：
npm install -g @agentscope/studio使用以下命令启动 Studio：
as_studio负责与 Data-Juicer 交互，执行实际的数据处理任务。支持从自然语言描述自动推荐算子、生成配置并执行。
工作流程：
当用户说："我的数据保存在 xxx，请清理其中文本长度小于5、图片大小小于10MB的条目"，Agent 并不会盲目执行，而是按步骤推进：
- 数据预览：预览前 5–10 个数据样本，确认字段名和数据格式——这是避免配置错误的关键一步
- 算子检索：调用
query_dj_operators工具，基于语义匹配合适的算子 - 参数决策：LLM 自主决定全局参数（如 dataset_path、export_path）和算子具体配置
- 配置生成：生成标准的 YAML 配置文件
- 执行处理：调用
dj-process命令执行实际处理
整个过程既自动化，又具备可解释性。用户可以在任何环节介入干预，确保结果符合预期。
典型用途：
- 数据清洗：去重、移除低质量样本、格式标准化
- 多模态处理：同时处理文本、图像、视频数据
- 批量转换：格式转换、数据增强、特征提取
查看完整示例日志（from AgentScope Studio）
示例执行流程：
用户输入："The data in ./data/demo-dataset-images.jsonl, remove samples with text field length less than 5 and image size less than 100Kb..."
Agent 执行步骤：
- 调用
query_dj_operators，精准返回两个算子：text_length_filter和image_size_filter - 用
view_text_file工具预览原始数据，确认字段确实是 'text' 和 'image' - 生成 YAML 配置，并通过
write_text_file保存到临时路径 - 调用
execute_safe_command执行dj-process，返回结果路径
整个过程没有人工干预，但每一步都可追溯、可验证。这正是我们追求的"自动化但不失控"的数据处理体验。
当内置算子无法满足需求时，传统做法是：查文档、抄代码、调参数、写测试——整个过程可能耗时数小时。
Operator Development Agent 的目标，是将这个过程压缩到几分钟，并保证代码质量。默认使用 qwen3-coder-480b-a35b-instruct 模型驱动。
工作流程：
当用户提出："帮我创建一个将单词倒序排列的算子，并生成单元测试文件"，Router 会将其路由至 DJ Dev Agent。
该 Agent 的执行流程分为四步：
- 算子检索：查找功能相似的现有算子作为参考
- 获取模板：拉取基类文件和典型示例，确保代码风格一致
- 生成代码：基于用户提供的函数原型，生成符合 DataJuicer 规范的算子类
- 本地集成：将新算子注册到用户指定的本地代码库路径
整个过程将模糊需求转化为可运行、可测试、可复用的模块。
生成内容：
- 实现算子：创建算子类文件，继承 Mapper/Filter 基类，使用
@OPERATORS.register_module装饰器注册 - 更新注册：修改
__init__.py，将新类加入__all__列表 - 编写测试：生成覆盖多种场景的单元测试，包括边缘 case，确保鲁棒性
典型用途：
- 开发领域特定的过滤或转换算子
- 集成自有的数据处理逻辑
- 为特定场景扩展 Data-Juicer 能力
查看完整示例日志（from AgentScope Studio）
算子检索是 Agent 能否精准工作的核心。DJ 智能体实现了一个智能算子检索工具，通过独立的 LLM 查询环节从 Data-Juicer 的近200个算子中快速找到最相关的算子。这是数据处理智能体和代码开发智能体能够准确运行的关键组件。
我们没有采用单一方案，而是提供了三种模式，通过 -r 参数灵活选择：
LLM 检索 (默认)
- 使用 Qwen-Turbo 从语义层面理解用户需求，适合复杂、模糊的描述
- 提供详细的匹配理由和相关性评分
- Token 消耗较高，但匹配精度最高
向量检索 (vector)
- 基于 DashScope 文本嵌入 + FAISS 相似度搜索
- 速度快，适合批量任务或快速原型
- 无需调用 LLM，成本更低
自动模式 (auto)
- 优先尝试 LLM 检索，失败时自动降级到向量检索
通过 -r 或 --retrieve_mode 参数指定检索模式：
python main.py --retrieve_mode vector更多参数说明见 python main.py --help
除了命令行，DataJuicer 还原生支持 MCP 服务，这是提升性能的重要手段。MCP 服务可直接通过原生接口获取算子信息、执行数据处理，易于迁移和集成，无需单独的 LLM 查询和命令行调用。
Data-Juicer 提供两类 MCP：
Recipe-Flow MCP（数据菜谱）
- 提供
get_data_processing_ops和run_data_recipe两个工具 - 通过算子类型、适用模态等标签进行检索，无需调用 LLM 或向量模型
- 适合标准化、高频场景，性能更优
Granular-Operators MCP（细粒度算子）
- 将每个内置算子包装为独立工具，调用即运行
- 默认返回所有算子，但可通过环境变量控制可见范围
- 适合精细化控制，构建完全定制化的数据处理管道
这意味着，在某些场景下，Agent 的调用路径可以比手动写 YAML 更短、更快、更直接。
详细信息请参考：Data-Juicer MCP 服务文档
注意：Data-Juicer MCP 服务器目前处于早期开发阶段，功能和工具可能会随着持续开发而变化。
在 configs/mcp_config.json 中配置服务地址：
{
"mcpServers": {
"DJ_recipe_flow": {
"url": "http://127.0.0.1:8080/sse"
}
}
}启用 MCP 智能体替代 DJ 智能体：
# 启用 MCP 智能体和开发智能体
python main.py --available_agents [dj_mcp,dj_dev]
# 或使用简写
python main.py -a [dj_mcp,dj_dev]所有 Agent 的系统提示词都定义在 prompts.py 文件中。
你可以在 main.py 中为不同 Agent 指定不同模型。例如：
- 主 Agent 使用
qwen-max处理复杂推理 - 开发 Agent 使用
qwen3-coder-480b-a35b-instruct优化代码生成质量
同时，Formatter 和 Memory 也可替换。这种设计让系统既能开箱即用，又能适配企业级需求。
DataJuicer Agent 是一个开放框架。核心在于 agents2toolkit 函数——它能将任意 Agent 自动包装为 Router 可调用的工具。
只需将你的 Agent 实例加入 agents 列表，Router 就会在运行时动态生成对应工具，并根据任务语义自动路由。
这意味着，你可以基于此框架，快速构建领域专属的数据智能体。
扩展性，是我们设计的重要原则。
Data-Juicer 智能体生态系统正在快速扩展，以下是当前正在开发或计划中的新智能体：
为用户提供关于 Data-Juicer 算子、概念和最佳实践的详细解答。
我们正在构建更高级的人机协同数据优化工作流，引入人类反馈：
- 用户可查看统计、归因分析以及可视化结果
- 动态编辑菜谱，批准或拒绝建议
- 底层由
dj.analyzer（数据分析）、dj.attributor（效果归因）、dj.sandbox（实验管理）共同支撑 - 支持基于验证任务的闭环优化
- 数据处理智能体 Benchmarking：量化不同 Agent 在准确性、效率、鲁棒性上的表现
- 数据"体检报告" & 数据智能推荐：自动诊断数据问题并推荐优化方案
- Router Agent 增强：更无感丝滑，譬如当缺乏算子时→代码开发Agent→数据处理agent
- MCP 进一步优化：内嵌 LLM，用户可直接使用 MCP 链接自己本地环境如IDE，获得目前数据处理 agent 类似的体验
- 面向知识库、RAG 的数据智能体
- 更好的处理方案自动生成：更少 token 用量，更高效，更优质处理结果
- 数据工作流模版复用及自动调优：基于 DataJuicer 社区数据菜谱
- ......
Q: 如何获取 DashScope API 密钥？ A: 访问 DashScope 官网 注册账号并申请 API 密钥。
Q: 为什么算子检索失败？ A: 请检查网络连接和 API 密钥配置，或尝试切换到向量检索模式。
Q: 如何调试自定义算子？ A: 确保 Data-Juicer 路径配置正确，并查看代码开发智能体提供的示例代码。
Q: MCP 服务连接失败怎么办？ A: 检查 MCP 服务器是否正在运行，确认配置文件中的 URL 地址正确。
Q: 报错requests.exceptions.HTTPError: 400 Client Error: Bad Request for url: http://localhost: 3000/trpc/pushMessage
A: 请检查是否agentscope studio已经成功拉起。尝试先npm install -g @agentscope/studio下载agentscope studio，然后as_studio启动。
- 对于大规模数据处理，建议使用DataJuicer提供的分布式模式
- 合理设置批处理大小以平衡内存使用和处理速度
- 更多进阶数据处理（合成、Data-Model Co-Development）等特性能力请参考DataJuicer文档页
- DataJuicer 已经被用于大量通义和阿里云内外部用户，背后也衍生了多项研究。所有代码持续维护增强中。
欢迎访问 GitHub，Star、Fork、提 Issue，以及加入社区共建！
- 项目地址：
贡献指南：欢迎提交 Issue 和 Pull Request 来改进 agentscope、DataJuicer Agent 及 DataJuicer。如果您在使用过程中遇到问题或有功能建议，请随时联系我们。