第九章 可视化与部署

章首：分析的最后一步，是"被看见"

数据采集了、清洗了、建模了、算完了——然后呢？这是全书走到第九章时最该停下来想一分钟的问题。前八章依次解决了数据从哪来、怎么洗干净、模型怎么建、流程怎么编排，而一个完整的数智分析产品，终点往往发生在浏览器里：用户打开一个页面，看到图表、数字和一段解读，然后作出判断。如果结果只躺在服务器上，分析就只完成了一半。另一半，是把结果变成别人能看、能用、能信的东西。这份判断在职场里每天都在发生：分析师算出了结论，汇报时却拿不出一张像样的图；数据团队交付了模型，业务方却找不到入口。分析的价值，往往在"被看见"的那一刻才被承认。

数据自己不会说话。同样一组数字，躺在表格里是一行行记录，画成折线是一条趋势，写进解读是一个判断。从数据到信息、再到知识，每一步都依赖"被看见"这个动作。Tukey（1977）在《探索性数据分析》中指出，图形在数据分析中居于中心地位——先看图、再建模，图会告诉研究者数据想说什么^[2]。Tufte（2001）在《定量信息的视觉呈现》中给出了判断好图的标准：数据墨水比，每一笔墨水都应服务于传达信息^[1]。两位先驱的论述指向同一件事：分析的最后一步，是"被看见"。

这个判断在今天格外有分量。一个企业级的数智分析平台，每天产出的指标成百上千：报表、看板、告警、解读，散落在不同的系统里。信息的富足与注意力的稀缺同时存在，能够"被看见"的分析才有机会变成决策。可视化的职责，就是在这条拥挤的通道里为数据争取一个位置。

本章把"被看见"落到工程层面，讲可视化与部署：把第8章编排好的Skill链，一键部署成网页，让数据以图表和解读的形式出现在用户面前。全章四节是一条完整的部署链路：第一节讲部署机制，工作流如何变成页面，"一键部署"背后发生了什么；第二节讲页面与工作流的一一对应，页面上的每个模块如何回溯到流程里的每个节点；第三节讲AI解读与LCEL，如何给数据页面装上会说话的智能层；第四节是综合实训，亲手部署一个带AI解读的估值页面。四节走完，你将理解数智分析产品的完整形态：从数据到页面，中间只隔着一个"部署"。

第一节 从工作流到页面：一键部署机制

为什么先谈可视化

部署是把分析结果送到用户眼前，而"眼前"的形态由可视化决定。数据、信息、知识是三个不同的层次：数据是原始记录，未经整理没有意义；信息是有结构的整理，回答了"是什么"；知识是可行动的判断，回答了"怎么办"。可视化承担从数据到信息的跃迁——它把抽象的数字变成可感知的位置、长度、角度与颜色。

Tukey的主张为这一跃迁提供了方法论位置：探索性数据分析的第一步就是画图^[2]。建模之前先看图，异常点、分组结构、趋势拐点都会在图上显形；建模之后再看图，残差与拟合效果一目了然。图是分析的探针，装饰则是对它的误用。

Tufte则给出了评判标准。他提出数据墨水比的概念：图表中用于呈现数据的墨水与全部墨水之比，好图应当接近1——每一笔墨水都在传达信息，装饰只会稀释表达^[1]。网格线、阴影、立体效果这类与数据无关的装饰被他称为"图表垃圾"。这条原则可以直接用来检查本章将要部署的每一个页面：凡多画一笔的地方，都要问一句，这一笔传达了哪条信息？

可视化的底层语法，是人对图形元素的感知能力：位置、长度、角度、颜色、形状。人眼对长度的判断远比对角度的判断可靠，所以柱状图通常比饼图更利于精确比较——Tufte在书中反复用同一组数据的两种画法演示这一点^[1]。所谓图表选择，本质是选择一种人类视觉系统最擅长的编码方式，把数据的关系翻译过去。

图表选择有一条朴素的决策路径，如图9-1所示：先问要表达什么关系，再选对应的图形。时间趋势用折线，类别比较用柱状，构成比例用堆叠，双变量相关用散点，空间分布用地图。

图9-1 图表选择的决策路径

这里藏着一个值得思考的问题：图表是客观呈现，还是主观修辞？同样一组数据，坐标轴起点、颜色深浅、比例尺的选择，都会改变读者的第一印象。Tufte的告诫由此超越了美学，进入伦理层面——数据墨水比高的图，同时也是难以操纵的图^[1]。本章部署的页面遵循同一原则：图表只做数据的忠实投影，解读交给AI层，两层各司其职。

页面层面的可视化还有一层设计问题：信息层级。一张报表可以无限向下滚动，一个看板却要在第一屏内回答最关键的几个问题——总额、趋势、异常、分布。Tufte所说的数据墨水比，在页面尺度上对应着信息密度：留白与克制，同样服务于传达。本章部署的看板页面，都把最核心的指标放在首屏，把钻取细节留给交互，遵循的正是这条原则。

可视化还有一个容易被忽略的维度：它把分析从"个人作业"变成"公共讨论"。图表的可读性，决定了数据能否在会议桌上被讨论、被质疑、被采纳。一份只有分析师自己看得懂的图表，产出的至多是个人洞见；一份团队都能读懂的看板，产出的是组织共识。Tufte的书出版四十余年仍被反复引用，原因正在于此——他讨论的从来都不仅是画图技巧，更关乎信息如何诚实地流动^[1]。

这也解释了为什么本章把可视化与部署放在一起讲：图表的诚实，依赖数据通道的可靠。一张图再讲究，如果它背后的数字来自过期的快照或错误的节点，修辞越精致，误导越深。可视化的伦理，最终要靠部署机制来兜底。

部署的本质

部署（Deployment）是把"能运行的程序"变成"能访问的服务"的过程。在本书平台，部署的对象是工作流：一条"采集→处理→分析→解读"的Skill链，部署后变成用户在浏览器里访问的网页。部署的本质，在于把分析过程固化为产品形态——分析者编辑的是流程，用户看到的是结果。这正是零代码实战的闭环：不写前端代码，也能拥有自己的数据产品。

部署还自动处理三件杂务：路由、静态资源与访问控制。每个部署页面获得一个稳定的访问路径，deployed目录就是平台的路由表——中非跨境贸易看板的地址（/workflow-demo/deployed/af_trade_ds8k）就登记在这张表里；图表、脚本等静态资源被统一打包；页面访问权限随流程的可见性设置自动同步。分析者只点了一个按钮，平台完成了整条装配线的工作。

把部署放进更长的历史里看，它对应着软件工程中"发布"这一古老动作的平民化。传统的软件发布，需要构建、打包、上线、配置，由专门的运维角色完成；工作流平台把这一切压缩进一个按钮，让分析者本人拥有发布能力。分析者由此同时承担了作者与发布者的双重角色——这带来的责任是：既然发布如此容易，每一次修改都应当以"页面会被别人看到"的标准来对待。

部署快照与活的数据通道

工作流部署时，平台会生成"部署快照"，把当前流程的节点、参数、数据固定下来。快照有两种形态：页面快照（部署后的网页，含图表与解读）与流程快照（节点链条的固化记录）。快照的意义在于可复现：任何时候打开快照，都能看到部署那一刻的完整状态。每一次部署都有档案，每一次修改都有对比。

但快照有一个天然局限：它是"那一刻的照片"。如果页面只展示快照，数据源更新后，页面就会失真。本书平台的部署机制处理了这一矛盾：部署生成的页面，同时是一条活的数据通道——页面上的每个数字，都能沿画布节点链倒查回数据源；数据源更新，页面随之更新。一键部署的背后，平台自动完成了三类装配：

其一，静态快照装配，适合演示与存档场景；其二，LCEL真执行装配，stock_valuation模板走的就是这条路——部署页面每次请求都会触发一次真实执行，前端fetch工作流运行接口（/workflow-demo/api/execute-workflow），拿到的是"刚刚算出来的"结果；其三，前端直连装配，bi_dashboard模板走这条路——浏览器直接请求digital-index-api的REST端点（5058端口，提供公司、趋势、行业、区域、ESG、地图等十二个数据端点），图表由前端实时渲染。三条通道的取舍，本质是时效性与成本的权衡：要"永远最新"，就付出每次请求的执行代价；要"足够快"，就接受数据的小幅滞后。

三类装配各有适用场景，平台允许同一工作流并存多个部署版本：教学演示常用静态快照，保证讲解时画面稳定；估值工具走LCEL真执行，保证每次打开都是最新行情；数据看板走前端直连，保证交互流畅。快照与活通道还有一个配合：当活通道出现故障时，平台可以快速回退到最近一次快照，页面不至于完全不可用——可复现与可恢复，是同一枚硬币的两面。

真实案例：中非跨境贸易AI数智看板

本章的主案例是"中非跨境贸易AI数智看板"：采集速卖通对非洲国家的贸易数据（2026年7月采集，7589条商品评论，覆盖134个国家，复用第5章的采集能力）→ 处理为按国家与品类的统计表 → 分析贸易趋势与热点 → 部署为带地图与图表的看板页面。这个案例展示了部署的典型价值：同样的数据，表格只能给人看，看板能让人"用"——筛选、钻取、对比，交互让数据产生新的读法。看板与画布同源，随时可以回到画布修改再部署，这正是"页面与工作流一一对应"的现场预演。

看板的页面构成也对应着清晰的节点分工：地图模块对应按国家聚合的处理节点，品类排行对应按品类聚合的处理节点，趋势折线对应时间序列分析节点，AI解读对应LCEL解读节点——页面上的每一块，都能在画布上找到出处。

在平台上验证

打开本书实训平台的工作流画布（https://zhenyuonline.cn/workflow-demo/，5056端口），画布预设了四条工作流，选中中非跨境贸易项目：先看流程的节点结构，再运行工作流，点击"一键部署"，最后在浏览器打开生成的页面。观察部署前后：画布上的节点变成了页面上的图表，流程的执行结果变成了用户可见的界面（如图9-2所示）。你看到的是零代码，平台做的是全自动。

（如图9-2所示）

扫码打开工作流画布

第二节 页面与工作流的一一对应

一一对应的设计哲学

数据产品的信任从哪里来？用户看到一个数字，自然会问：它从哪来、怎么算的、数据是新的还是旧的。三个问题都答不上来的页面，无论图表多漂亮，都经不起追问。页面与工作流的一一对应，就是追溯的工程保证——页面上的"贸易总额"对应流程里的汇总节点，页面上的"AI解读"对应流程里的解读节点。

这个设计背后是一条朴素的产品哲学：页面是流程的投影，流程是页面的唯一事实来源。如果允许页面脱离流程单独修改，就会出现"两张皮"——页面上的数字与流程算出的数字对不上，这是数据产品最常见的失败方式之一。一一对应的设计从源头杜绝了这种分叉：要改页面，就改流程，再重新部署。对教学而言，一一对应让学生理解一个朴素的道理：页面并无魔法，页面是流程的投影。

一一对应的粒度值得说清楚：页面上一个图表模块，对应流程里一个处理或分析节点；图表里的一个字段，对应节点的某个输出列；AI解读里的一句话，对应通道上下文里的一段数据。对应关系越细，追溯就越深——用户从任何一个数字出发，都能走到它被算出来的那个节点，再走到喂给它的那份原始数据。

工作流信息条

部署页面顶部通常有一个"工作流信息条"：显示当前页面对应的流程名称、版本、数据更新时间、节点数量。信息条是页面的"身份证"——它告诉用户：这个页面来自哪条流程、数据是什么时候的。信息条的存在，让"看板"与"流程"的对应关系一目了然：看到信息条，就能在画布上找到源头。

别小看这一行字，数据产品的信任往往建立在这些细节上。版本号尤其值得留意：画布每修改一次并重新部署，版本号就递增一次，用户据此判断自己看到的是第几版；数据更新时间则提醒用户，页面上的数字反映到哪一天为止。数据更新时间的口径也值得较真：它标注的是数据源的最新日期，还是部署时刻的日期？两种口径含义不同。本书平台的约定是前者——数据源更新到哪一天，就标注到哪一天，让用户自行判断时效。

节点链条与数据回流

部署页面还提供"节点链条"视图：把流程的每个节点（采集→处理→分析→解读）以链条形式展示，点击任一节点可查看其输入输出。节点链条让用户能"顺着流程走一遍"：从原始数据到最终图表，每一步都透明可见。节点链条是工作流信息条的深化：信息条告诉你"这是谁"，链条告诉你"它是怎么来的"。

链条视图还有一个教学上的副产品：它把第8章的编排思想可视化地复述了一遍。学生在画布上拖拽节点时，看到的是流程；在部署页面上展开链条时，看到的是同一份流程的另一种投影。两种视图互相对照，编排与部署就此打通。

结合第一节讲的活的数据通道，可以画出部署页面的完整数据回流链路，如图9-3所示：采集节点从数据源取数，各节点输出汇入通道上下文，LLM节点据此生成解读，部署节点把结果发布为页面，页面前端直连API随时取数——整条链路闭合，页面上的每个数字都能沿链倒查回数据源。

图9-3 部署页面的数据回流链路

在平台上验证

打开中非跨境贸易AI数智看板的部署页（/workflow-demo/deployed/af_trade_ds8k，如图9-4所示）：先定位顶部的工作流信息条（流程名、版本、更新时间），再展开节点链条，从采集节点看到解读节点；然后回到画布，修改一个节点的参数（例如调整筛选的国家范围），重新部署，回到页面验证变化。完成这个"页面→画布→页面"的闭环，你会理解：部署是"分析—展示—再分析"循环的入口，页面上的每一个数字，都欠流程一个交代。

这里有一个值得品味的细节：改参数、重新部署、回页面验证，整个过程里没有写一行前端代码，却完成了一次完整的产品迭代。数据产品的迭代速度，就此从"按周计"变成"按分钟计"。这个速度本身会改变组织的协作方式——业务方提出疑问，分析者当场改、当场部署、当场给出新版本，数据驱动的决策循环被压缩到一次对话的长度。

（如图9-4所示）

扫码访问中非跨境贸易AI数智看板

第三节 AI解读与LCEL

为什么需要AI解读

图表解决"看到了什么"，解读解决"这意味着什么"。数据-信息-知识阶梯走到最后一级，需要有人把数字翻译成判断。这个翻译工作在文本领域早有先例：Pang与Lee（2008）在《Opinion Mining and Sentiment Analysis》中系统梳理了观点挖掘与情感分析，让机器从评论文本中提炼出褒贬态度^[3]。数据解读是同一思想的镜像——机器从结构化数据中提炼出结论。二者共享同一个技术底座：自然语言生成。但数据解读比情感分析多一层约束：评论文本里没有绝对的对错，数据结论却要经得起数字的检验。解读模型必须"贴着数据说话"——这正是通道上下文存在的理由，也是本章把解读放进部署链路里讨论的原因。

大模型让这一步变得实用。Wei等人（2022）发现，让模型"一步一步想"（思维链）能显著提升推理质量^[5]，解读生成因此有了可靠的推理骨架。Yao等人（2023）提出的ReAct框架更进一步，把推理与行动交替进行——想一步，查一步^[4]。这一模式正好对应解读节点的现实需要：数据不够时，解读节点可以沿节点链回头取数，再继续生成。AI解读的价值，在于把"数据说明"升级为"决策摘要"：用户看到的结论，背后有可追溯的依据。

解读的生成还有一个绕不开的难题：幻觉。大模型在自由发挥时，可能编造数据里没有的结论。通道上下文的设计初衷之一，就是压缩幻觉的空间——解读节点只能引用通道里真实跑过的数据，提示词里的"上游数据"段落就是它的全部素材。依据越明确，发挥的余地越小，解读的可信度越高。

解读节点的位置设计

AI解读节点是部署流程中的"智能层"：它读取分析结果，用大模型生成自然语言解读——"2024年对非贸易额同比增长23%，其中电子品类贡献最大"。解读节点的位置设计有讲究：放在图表下方（解读跟随数据）、放在页面顶部（结论先行）、或做成可切换的浮层（按需展开）。位置决定解读的角色：跟随式解读是数据说明，结论式解读是决策摘要——本书平台采用"图表+下方解读"的组合，兼顾数据与解释。

三种位置对应三种使用场景：投资者看估值报告，先要结论，结论式解读放在顶部更合适；运营人员盯看板，跟着数据走，跟随式解读更自然；分析师自查，按需展开的浮层既不遮挡图表，又能随时调用。位置的设计，本质是对读者注意力节奏的尊重。

LCEL：链式调用范式

LCEL（LangChain Expression Language）是LangChain的链式调用范式：用管道符（|）把"取数→格式化→调用模型→输出"串成一条声明式链。一条典型的链可以写成：数据源、格式化、模型调用、输出解析——四个环节依次衔接，每个环节的输入来自上一环节的输出。它的价值有三：声明式（链的意图一目了然）、可组合（环节可插拔替换）、流式（支持流式输出）。本书平台的工作流引擎（LCEL运行服务）正是基于这一范式：画布上的节点，编译后就是一条LCEL链。LCEL的意义，在于让"编排"从代码变成声明——与第4章"技能编排"的思想完全同构。

管道思想本身并不年轻：Unix操作系统四十多年前就用竖线把一个个小工具串成流水线，每个工具只做一件事，输出接上另一个工具的输入。LCEL把同样的哲学搬到了大模型时代——节点是工具，管道是约定，复杂能力由简单环节的组合涌现。理解了这一点，再看画布上那些拖拽出来的链条，就会有似曾相识的感觉。流式输出对解读体验的提升也是直接的：长解读逐字浮现，用户等待的心理成本大幅下降；更重要的是，用户可以在生成过程中看到解读的走向，提前判断它是否靠谱。

通道上下文：解读的依据从哪来

解读节点要"说话"，先得"有料"。在LCEL通道里，上游所有节点的输出会被收集为一个合并上下文（ctx["merged"]），LLM节点据此构造提示词：user_message被组织为"上游数据：{...}\n\n我的任务：{saved_prompt}"——上游数据是各节点的输出摘要，我的任务是流程作者保存的解读指令。本书把这一机制表述为"通道上下文（MCP引用）"：解读节点引用的，是通道里已经跑过的数据，每一句话都有出处。

这一设计让"可追溯"延伸到语言层：页面上的解读文字，可以逐句对应到上游某个节点的输出。引擎标识是追溯的最后一块拼图——部署页面会标注AI解读使用的引擎（如"LCEL运行服务"），这是透明的技术声明：用户知道解读来自哪套服务。不隐瞒技术栈，不夸大能力，出了问题知道去哪查——这是数据产品该有的工程伦理。

至此，可追溯形成了完整的链条：信息条交代"这份数据是哪条流程、哪一版、哪一天"，节点链条交代"每个数字是怎么算出来的"，通道上下文交代"每句解读的依据是什么"。三级追溯各管一段，合起来就是数据产品的完整履历。工程上做到这个程度，用户对页面的信任就有了结构性的支撑。

在平台上验证

打开股票估值应用的工作流（stock-valuation，5000端口）：在画布上找到解读节点，查看它如何调用LCEL、如何注入上游数据（如图9-5所示）；再到数字化转型指数平台（https://zhenyuonline.cn/digital-economy/）对比一个没有解读节点的页面。有解读的页面"讲道理"，无解读的页面"摆事实"——两者之间，差的就是一个AI解读节点。

（如图9-5所示）

扫码打开股票估值工作流

第四节 实训：部署一个带AI解读的估值页面

实训对象：股票估值工作流

实训把前三节的机制串成一次完整的部署。对象是股票估值工作流（stock-valuation，5000端口）：采集节点从行情接口（stock-api，腾讯与东财行情）与年报词频库（annual-report-keywords，10497份年报、33个数字化关键词）取数，建模节点运行DDM、CAPM与FCFF三个估值模型（模型原理详见第10章），解读节点用LCEL生成估值结论，部署节点把结果发布为页面。这条工作流在画布上呈现为五类节点的串联：采集、处理、建模、解读、部署——拖拽、连线、保存提示词，再到一键部署，全程在浏览器里完成。

选择贵州茅台（600519）作为实训标的，因为它的财务数据齐全、年报披露规范，且数字化转型指数有完整取值——样本干净，实训才能聚焦于部署本身。平台上的数据口径如下：2025年报每股收益65.66元，2025年数字化转型指数6.22；DDM模型给出1383.65元，CAPM模型给出3558.98元，FCFF模型给出2699.95元，综合估值2547.53元；模型参数β取0.3，增长率g取0.1，页面状态判定为"低估"。注意这里的年份口径：2026年8月能拿到的最新完整年报是2025年报，页面标注的数据更新时间应当与之一致——这正是第一节讲的信息条发挥作用的地方。口径核对完毕，再回到画布看一遍节点：采集节点的输出字段、建模节点的参数设置、解读节点的提示词，与页面上的数字一一对应。这一步做扎实，后面无论怎么改参数，都不会迷失方向。

三层验收

实训的验收标准有三层：数据层（页面数据与流程节点一致）、分析层（图表正确反映分析结果）、智能层（AI解读准确且可追溯）。三层对应第1章的ABI架构——部署动作虽小，却是三层质量的综合检验：数据层不过关，页面就是错的；分析层不过关，图表就是误导；智能层不过关，解读就是空话。验收的顺序也有讲究：先对数据，再对图表，最后对解读——逐层排除，问题出在哪一层一目了然。

以茅台实训为例，三层验收可以这样落地：数据层，核对页面上的每股收益65.66元是否与2025年报节点输出一致，数据更新时间是否标注为2025年报口径；分析层，核对DDM的1383.65元、CAPM的3558.98元、FCFF的2699.95元与综合估值2547.53元是否与各模型节点输出一致，β=0.3、g=0.1的参数是否如实呈现；智能层，逐句追问解读里的每个论断，能否在通道上下文里找到依据。三层核对完毕，页面才算真正交付。

部署与验证的循环

实训的关键动作是"修改并重新部署"：第一次部署后，回到画布调整参数（换一只股票、改β或g的取值、调整解读提示词），重新部署，对比新旧页面的差异。这个循环看似简单，实则是产品思维的训练：每一次修改，都要回答"改了流程，页面哪里变了、为什么变"——理解了这个对应关系，就理解了"流程即产品"。部署完成后的页面如图9-6所示：估值数字、风险画像与AI解读同屏呈现，每一块都能在画布上找到对应节点。

版本对比是循环里最容易被忽略的一步：重新部署之后，新旧页面的差异可能藏在细节里——一个数字变了、一段解读换了一种说法、一张图的坐标轴范围不同了。把这些差异逐一记下来，对应到画布上被修改的那个节点，"流程即产品"的直觉就在这一次次对照中建立起来。

（如图9-6所示）

扫码打开股票估值工具

汇报的本质

实训要求汇报部署成果并提交实验报告：说明流程结构、部署过程、验证结果、修改迭代。汇报的本质是"让过程可见"——与第8章的过程评分一脉相承：评价的对象，是从数据到页面的完整链路是否经得起追问。实验报告的篇幅不必长，但三样东西必须齐：流程的结构图（画布截图即可）、部署前后的对比（新旧页面截图）、三层验收的记录（每个数字核对到节点）。报告写清楚这三样，部署的过程就经得起复现。

在平台上验证

按实训流程完整走一遍：打开工作流、检查数据节点、一键部署、验证三层（数据/分析/智能）、修改参数、重新部署、对比差异、提交汇报。完成后自问三个问题：页面上的每个数字能追溯到哪个节点？AI解读的依据是什么？如果数据更新了，页面多久能反映？三个问题都能答上来，你就真正"部署"了一个数据产品。点一次按钮很容易，让页面经得起追问，才是部署的本意。

章末小结与追问

本章完成了"从流程到产品"的最后一跃：第一节讲部署机制——快照、路由与活的数据通道，让工作流变成可访问的页面；第二节讲页面与工作流的一一对应——信息条、节点链条与数据回流，让每个数字都有据可查；第三节讲AI解读与LCEL——通道上下文让解读有依据，链式引擎让解读可复用；第四节用"改流程→看页面→再改流程"的实训闭环，把前三节串成完整能力。Tufte的数据墨水比原则^[1]，在本书平台变成了"可追溯、可解读、可迭代"的部署实践；Tukey"先看图"的传统^[2]，变成了页面上图表与解读的分工。部署的终点是用户：页面上的每一个数字、每一句解读，都要经得起用户的第一眼与第一问。

留三个问题给你想一想：

1. 部署快照解决了什么问题？如果页面只有活的数据通道而没有快照，数据产品会面临什么风险？
2. 页面与工作流的一一对应，为什么是信任基础？如果对应不上，会发生什么？
3. AI解读的通道上下文让解读有据可查——你认为"有依据的解读"和"自由发挥的解读"，各适合什么场景？

参考文献

1. [1] Tufte E R. The Visual Display of Quantitative Information[M]. 2nd ed. Cheshire: Graphics Press, 2001.
2. [2] Tukey J W. Exploratory Data Analysis[M]. Reading: Addison-Wesley, 1977.
3. [3] Pang B, Lee L. Opinion mining and sentiment analysis[J]. Foundations and Trends in Information Retrieval, 2008, 2(1-2): 1-135.
4. [4] Yao S, Zhao J, Yu D, et al. ReAct: Synergizing reasoning and acting in language models[C]//International Conference on Learning Representations, 2023. arXiv:2210.03629.
5. [5] Wei J, Wang X, Schuurmans D, et al. Chain-of-thought prompting elicits reasoning in large language models[C]//Advances in Neural Information Processing Systems, 2022. arXiv:2201.11903.

数据与平台：本章实训绑定 zhenyuonline.cn 真实应用（workflow-demo 工作流画布与一键部署 / 中非跨境贸易AI数智看板 / stock-valuation 估值工具）。页面渲染图均为平台实测截图。