Result Delivery Workflow 技能 (結果交付流程)
描述
管理分析結果的儲存、查詢和交付給使用者。
觸發條件
- •「下載結果」「取得報告」
- •「傳檔案給我」「share results」
- •「之前的分析結果」「歷史記錄」
🎯 結果交付架構
code
┌─────────────────────────────────────────────────────────────────────┐
│ Result Storage Architecture │
├─────────────────────────────────────────────────────────────────────┤
│ │
│ 分析工具執行 │
│ ↓ │
│ ┌─────────────────────────────────────────────────────────────┐ │
│ │ Result Storage │ │
│ │ │ │
│ │ ┌─────────────┐ ┌─────────────┐ │ │
│ │ │ Redis │ │ MinIO │ │ │
│ │ │ (7 天快取) │ │ (永久儲存) │ │ │
│ │ │ │ │ │ │ │
│ │ │ stats:result│ │ automl-results/ │ │
│ │ │ :{result_id}│ │ {user}/{type}/ │ │
│ │ └─────────────┘ │ {timestamp}_{id}.json │ │
│ │ └─────────────┘ │ │
│ └─────────────────────────────────────────────────────────────┘ │
│ │
│ 回傳給 Agent： │
│ • result_id: stat_tableone_abc12345 │
│ • result_path: automl-results/eric/tableone/20251216_xxx.json │
│ │
└─────────────────────────────────────────────────────────────────────┘
📦 結果類型
支援自動儲存的工具
| 工具 | 分析類型 | 儲存位置 |
|---|---|---|
compare_groups | compare_groups | ✅ Redis + MinIO |
analyze_correlations | correlation | ✅ Redis + MinIO |
generate_tableone_directly | tableone | ✅ Redis + MinIO |
auto_analyze | auto_analyze | ✅ Job 系統 |
kaplan_meier_survival | survival | ✅ Job 系統 |
cox_proportional_hazards | cox | ✅ Job 系統 |
compute_roc_curve | roc | ✅ Redis + MinIO |
儲存格式
json
{
"metadata": {
"result_id": "stat_tableone_abc12345",
"analysis_type": "tableone",
"user_id": "eric",
"created_at": "2025-12-16T10:30:00"
},
"result": {
// 實際分析結果...
}
}
📋 查詢歷史結果
Step 1: 列出使用者的結果
python
mcp_automl_list_analysis_results(
user_id="eric",
analysis_type="tableone", # 可選：過濾類型
limit=20
)
輸出：
json
{
"status": "success",
"user_id": "eric",
"count": 5,
"keys": [
"stats:result:stat_tableone_abc12345",
"stats:result:stat_tableone_def67890",
...
]
}
Step 2: 取得特定結果
python
mcp_automl_get_analysis_result(
result_id="stat_tableone_abc12345"
)
輸出：
json
{
"status": "success",
"result_id": "stat_tableone_abc12345",
"metadata": {...},
"result": {...}
}
📥 從 MinIO 下載檔案
直接使用 Stats Service API
code
GET http://localhost:8003/storage/minio/download?bucket=automl-results&path=eric/tableone/xxx.json
列出 MinIO 物件
code
GET http://localhost:8003/storage/minio/list?bucket=automl-results&prefix=eric/
🖼️ 視覺化結果
目前狀態
視覺化功能回傳 figure_data（座標資料），而非圖片檔案。
支援圖表資料的工具
| 工具 | 圖表類型 | 回傳欄位 |
|---|---|---|
compute_roc_curve | ROC 曲線 | figure_data.curve_points |
kaplan_meier_survival | KM 曲線 | survival_curve |
analyze_correlations | 熱力圖 | heatmap_data |
analyze_calibration | 校準曲線 | reliability_diagram_data |
ttest_sensitivity_analysis | Power 曲線 | power_curve_data |
圖表資料範例
json
{
"figure_data": {
"curve_points": [
{"fpr": 0.0, "tpr": 0.0},
{"fpr": 0.1, "tpr": 0.5},
...
],
"auc": 0.85,
"optimal_threshold": {"fpr": 0.15, "tpr": 0.82}
}
}
Agent 如何呈現圖表
markdown
User: "畫出 ROC 曲線"
Agent:
1. 執行 compute_roc_curve 取得 figure_data
2. 在回應中用 Markdown 說明數據：
"📊 ROC 分析結果：
- AUC = 0.85 (95% CI: 0.80-0.90)
- 最佳閾值 = 0.45 (Youden's J)
- 敏感度 = 82%, 特異度 = 85%
如需繪製圖表，可用以下 Python 程式碼：
\`\`\`python
import matplotlib.pyplot as plt
fpr = [0.0, 0.1, 0.2, ...] # from figure_data
tpr = [0.0, 0.5, 0.7, ...]
plt.plot(fpr, tpr)
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title(f'ROC Curve (AUC = 0.85)')
plt.show()
\`\`\`
"
📤 交付結果給使用者
方式 1：直接在對話中呈現
markdown
User: "分析結果如何？"
Agent:
"✅ Table One 分析完成
| 變數 | Group A (n=100) | Group B (n=150) | p-value |
|------|-----------------|-----------------|---------|
| Age | 45.2 ± 12.3 | 48.1 ± 11.8 | 0.032 |
| Sex (M) | 60 (60%) | 85 (57%) | 0.58 |
📎 結果已儲存：
- Result ID: `stat_tableone_abc12345`
- MinIO 路徑: `automl-results/eric/tableone/20251216_xxx.json`
取得完整結果：
\`\`\`python
result = get_analysis_result('stat_tableone_abc12345')
\`\`\`
"
方式 2：提供下載連結
markdown
Agent: "📁 分析結果已儲存： | 項目 | 路徑 | |------|------| | JSON | `automl-results/eric/tableone/20251216_xxx.json` | 📥 下載方式： 1. 透過 MinIO Console: http://localhost:9001 2. 透過 API: GET /storage/minio/download?bucket=automl-results&path=... "
方式 3：匯出為特定格式
markdown
User: "我需要 CSV 格式"
Agent:
"目前系統儲存為 JSON 格式。我可以幫你轉換：
\`\`\`python
import pandas as pd
import json
# 載入 JSON 結果
with open('result.json') as f:
data = json.load(f)
# 轉為 DataFrame
df = pd.DataFrame(data['result']['table'])
# 儲存為 CSV
df.to_csv('tableone_result.csv', index=False)
\`\`\`
或者我可以直接在這裡以表格形式呈現，你可以複製到 Excel。
"
🗂️ 專案管理
建議的目錄結構
使用者可以用 /data/projects/ 目錄組織專案：
code
/data/projects/
├── my_study_2025/
│ ├── data/
│ │ ├── raw/ # 原始資料
│ │ └── processed/ # 清理後資料
│ ├── analysis/
│ │ ├── descriptive/ # 描述性統計
│ │ ├── survival/ # 存活分析
│ │ └── models/ # ML 模型
│ └── reports/ # 最終報告
│
└── another_project/
└── ...
清理後資料輸出
資料清理工具支援 output_path：
python
mcp_automl_handle_missing_values(
csv_path="/data/sample_data/titanic.csv",
strategy="median",
output_path="/data/projects/my_study/data/processed/titanic_cleaned.csv"
)
⏳ 結果保留期限
| 儲存位置 | 保留期限 | 用途 |
|---|---|---|
| Redis | 7 天 | 快速存取、最近分析 |
| MinIO | 永久 | 審計追蹤、重現性 |
超過 7 天後取得結果
如果 Redis 結果已過期，但 MinIO 仍有：
python
# 方式 1：透過 MinIO 路徑下載 GET /storage/minio/download?bucket=automl-results&path=eric/tableone/xxx.json # 方式 2：列出使用者的所有 MinIO 結果 GET /storage/minio/list?bucket=automl-results&prefix=eric/
🔄 完整交付流程
code
┌─────────────────────────────────────────────────────────────────────┐ │ Result Delivery Workflow │ ├─────────────────────────────────────────────────────────────────────┤ │ │ │ 1. 使用者要求分析 │ │ 「分析這個資料的存活情況」 │ │ ↓ │ │ 2. Agent 執行分析工具 │ │ kaplan_meier_survival(..., save_result=True) │ │ ↓ │ │ 3. 結果自動儲存 │ │ • Redis: stats:result:stat_survival_xxx │ │ • MinIO: automl-results/eric/survival/xxx.json │ │ ↓ │ │ 4. Agent 呈現結果 │ │ • 主要指標摘要 │ │ • 表格/圖表說明 │ │ • 提供 result_id 和 path │ │ ↓ │ │ 5. 使用者要求詳細資料 │ │ 「給我完整的數據」 │ │ ↓ │ │ 6. Agent 取得完整結果 │ │ get_analysis_result(result_id) │ │ ↓ │ │ 7. 提供下載/匯出選項 │ │ • JSON 原始資料 │ │ • 轉換程式碼 │ │ • MinIO 下載連結 │ │ │ └─────────────────────────────────────────────────────────────────────┘
💡 最佳實踐
1. 永遠提供 result_id
每次分析後，告訴使用者 result_id，方便日後查詢。
2. 摘要優先，細節隨需
先呈現重要指標，使用者需要時再提供完整數據。
3. 建議專案目錄
幫使用者建立組織良好的專案結構。
4. 提供多種格式選項
使用者可能需要 JSON、CSV、或直接複製的表格。
5. 說明保留期限
告知 Redis 7 天限制，建議重要結果下載備份。