“哪些客户值得重点跟进？”“这次活动的表现如何？”“能否用历史数据训练一个可复用的分析模型？”
Xenix 是运行在桌面上的 Data Agent。用户在对话中附加数据、提出目标，Agent 将问题推进为实际的工具调用：检查与清洗数据、生成图表、训练和应用模型，再结合业务知识解释结果。用户可以继续追问，图表、报告和模型则作为可查看、可复用的本地产出保留下来。
提出问题 → Agent 调用工具 → 交付分析成果 → 继续追问
你提出业务目标，Data Agent 执行分析任务；过程可以查看，成果可以复用。
|
附加 CSV 或 Excel，用自然语言发起分析并持续追问。历史会话保留工作上下文，支持配置 LLM 提供商与模型，界面支持简体中文和英文。 |
在对话中检查、合并、清洗和准备数据，再生成摘要与可视化。处理结果注册为派生数据集，保留用户选择的原始文件。 |
|
围绕数据角色完成模型训练、调参、评估与应用。将训练好的分析模型用于兼容的新数据，让一次分析延伸为后续工作的起点。 |
导入文档、演示文稿、PDF 和图片，构建本地知识库。Agent 按需检索带来源定位的片段，让业务规则和已有经验参与分析；扫描件与图片可按需安装本地 OCR。 |
|
在审计中心查看数据集、模型、参数、图表与报告，结合方法理由和结果解读检查分析依据。产出保存在本地，可继续打开和使用。 |
任务中心统一呈现知识导入、索引构建与模型任务的状态，支持查看日志和取消工作。知识任务支持重启后恢复，模型训练不会自动恢复。 |
本地工作区，按需连接模型服务。 会话、数据集、模型和正式产出由本地服务管理；对话需要配置 LLM 提供商，相关上下文会按所用功能发送给该服务。语义检索可另行配置 Embedding 服务。“本地”描述的是工作区与产出的归属，并不代表所有 AI 推理都离线完成。
在对话中阅读图表，也在对话中理解结果。
展开查看：模型评估与结果对比
以上图片复用仓库官网素材，拍摄于 2026 年 6 月，展示历史版本的分析流程；当前界面以实际运行版本为准。图中指标仅为该示例的输出，不代表通用模型效果。
Xenix 将桌面交互、Agent 编排、数据处理、机器学习执行和本地持久化组织在同一个应用中。值得深入阅读的部分，是这些能力之间的边界与协作。
| 工程方向 | 实现与价值 | 阅读入口 |
|---|---|---|
| 原生桌面与应用生命周期 | 基于 PySide6 / Qt Widgets 构建交互，由应用组合层组装服务并管理清理与退出。 | 应用组合设计 |
| Agent 与模型接入 | 分离 Agent 工作编排和 LLM 对话协议，将工具调用连接到实际业务服务。 | Agent 服务 · LLM 服务 |
| 数据处理与机器学习 | 结合 Polars、DuckDB、scikit-learn、XGBoost 和 LightGBM 等组件，提供数据准备与原生 ML 执行。 | 数据清洗设计 · ML 服务 |
| 任务生命周期与产出管理 | 后台执行与产品状态分离；本地服务持有数据集、任务、模型和正式产出的权威状态，可选 SSH worker 提供执行能力。 | ML 任务生命周期 · 存储边界 |
| 分层验证与交付 | 静态检查、离线验收、Qt 界面契约、隔离桌面烟测和单独运行的真实 Agent 基准覆盖不同边界；Windows 打包采用 PyInstaller 与 Velopack。 | 贡献指南 · 打包与发布 |
浏览代码结构
src/xenix/
├── ui/ Qt Widgets 桌面交互
├── services/
│ ├── agent/ Agent 编排与工具
│ ├── llm/ LLM 对话与提供商适配
│ ├── ml/ 原生机器学习执行
│ └── storage/ 本地持久化
└── resources/ 品牌与界面资源
tests/ 服务验收、界面契约与 Agent 基准
scripts/ 开发、诊断、验证与打包工具
native/ 原生组件
website/ 独立产品官网
docs/ 产品、设计与部署文档
ml/ 根目录保留历史脚本；当前原生机器学习实现位于 src/xenix/services/ml/。tasks/ 保存任务过程与历史证据，当前产品和架构约定以 docs/ 为准。
准备 Python 3.14.2 与 PDM 2.26.6，在仓库根目录执行：
pdm sync --clean -G :all
pdm run prepare
pdm run dev --isolated--isolated 使用临时工作区，适合初次体验；需要保留日常工作时，使用 pdm run dev 启动持久工作区。Python 与依赖约束以 pyproject.toml、pdm.lock 为准，本地环境选择见 pdm.toml。
- 在设置中配置 LLM 提供商、API 凭据和可用模型。
- 新建会话并附加一份 CSV / Excel 数据。
- 从具体问题开始，例如：“请先检查这份数据的质量，再概括值得关注的趋势。”
- 继续追问，按需查看本地产出、审计依据与后台任务。
开发验证与运行诊断
# 静态检查、离线验收与隔离桌面烟测
pdm run verify
# 聚焦一个测试文件
pdm run test tests/test_job_scheduler.py -q
# 生成本地诊断包
pdm run diagnostic-bundle| 想了解什么 | 从这里开始 |
|---|---|
| 产品面向谁，支持哪些工作流 | 产品定义与能力范围 |
| 模块如何协作，数据归谁管理 | 跨模块技术设计 |
| 各组件如何实现，为什么这样设计 | 组件设计 |
| 如何打包、部署、诊断与恢复 | 部署文档 |
| 如何参与开发 | 贡献指南 · 仓库工作约定 |
Xenix Native
基于 GNU GPL v3 许可发布。