Creare agenti AI di intelligenza artificiale/Analisi vendite

Creazione dell'agente

Volendo creare un agente AI che faccia l'analisi delle vendite utilizzando il dataset vendite.csv, bisogna innnanzitutto creare un notebook Google Colab in cui installare la libreria litellm:

!pip install litellm

Poi caricare nel filesystem di Colab il file vendite.csv con il seguente codice:

from google.colab import files
uploaded = files.upload()

Poi bisogna importare l'API KEY dell'LLM prescelto, cliccando sull'immagine della chiave nella barra laterale di sinistra di Colab e abilitandola:

import os
from google.colab import userdata
api_key = userdata.get('GOOGLE_API_KEY')
os.environ['GOOGLE_API_KEY'] = api_key

Poi bisogna creare una funzione python per richiamare Google Gemini e ottenere la risposta tramite prompt programmatici e poi la funzione extract_code_block che estrae il codice python dalla risposta dell'agente:

import requests
from litellm import completion

def generate_response(messages: str) -> str:
    """Call LLM to get response"""
    response = completion(
        model="gemini/gemini-2.0-flash",
        messages=messages,
        max_tokens=1024
    )
    return response.choices[0].message.content

def extract_code_block(response: str) -> str:
   """Extract code block from response"""

   if not '```' in response:
      return response

   code_block = response.split('```')[1].strip()
   # Check for "python" at the start and remove

   if code_block.startswith("python"):
      code_block = code_block[6:]

   return code_block

Tramite la libreria pandas si legge il file vendite,csv e si crea un messaggio di sistema per l'agente in modo da costruire il prompt programmatico. L'agente dovrà restituire il codice python relativo alla domanda ed eseguirlo:

import pandas as pd
from datetime import datetime

# Carica il dataset CSV dal filesystem
df = pd.read_csv("vendite.csv", parse_dates=["data_vendita"])

agent_rules = [{
    "role": "system",
    "content": (
        f"""
        Sei un assistente che scrive codice Python con pandas per analizzare il dataset di vendite vendite.csv contenuto nel filesystem.
        Il dataframe si chiama df e ha queste colonne: {', '.join(df.columns)}.
        Rispondi SOLO con codice Python valido che produca la risposta, senza testo extra e senza ```python.
        Il codice deve stampare il risultato finale.
        Se l'utente inserisce una testo non inerente il dataset di vendite vendite.csv chiedi di fare una domanda inerente vendite.csv.
        """
    )
    }]

Si costruisce un ciclo di 5 iterazioni in cui l'utente inserisce la domanda relativa al dataset vendite.csv per l'agente, si passano al prompt programmatico di sistema agent_rules e doamnda, in tal modo l'agente ottiene risposta dall'agente, si estrae il codice e si esegue:

iterations = 0
max_iterations = 5

while iterations < max_iterations:
    user_input = input("Inserisci una domanda: ")
    domanda = [({"role": "user", "content": user_input})]

    prompt = agent_rules + domanda
    # 2. Generate response
    print("\n🤖 Agent thinking...")
    code = generate_response(prompt)

    code = extract_code_block(code)
    print("\n📬 Agent response:\n", code)
    try:
        # Esegue il codice generato
        exec(code, globals(), locals())
    except Exception as e:
        print("Domanda errata!")

    iterations += 1

Esecuzione dell'agente

Inserisci una domanda: Quali sono i prodotti più venduti nell'ultimo mese?

🤖 Agent thinking...

📬 Agent response:

import pandas as pd

try:
   df = pd.read_csv('vendite.csv')
   df['data_vendita'] = pd.to_datetime(df['data_vendita'])
   ultimo_mese = df['data_vendita'].max() - pd.DateOffset(months=1)
   df_ultimo_mese = df[df['data_vendita'] > ultimo_mese]
   prodotti_venduti = df_ultimo_mese.groupby('prodotto')['quantità'].sum()
   prodotti_ordinati = prodotti_venduti.sort_values(ascending=False)
   print(prodotti_ordinati)
except FileNotFoundError:
   print("Il file vendite.csv non è stato trovato.")
except Exception as e:
   print(f"Si è verificato un errore: {e}")

prodotto
Mouse            42
Tastiera         18
Notebook         11
Sedia ufficio     9
Monitor           8
Name: quantità, dtype: int64

Inserisci una domanda: Quali sono i prodotti con maggior ricavo totale?

🤖 Agent thinking...

📬 Agent response:

import pandas as pd
df = pd.read_csv('vendite.csv')
ricavi_per_prodotto = df.groupby('prodotto')['ricavo'].sum()
prodotti_ordinati = ricavi_per_prodotto.sort_values(ascending=False)
print(prodotti_ordinati)

prodotto
Notebook         12220
Monitor           2040
Tastiera          1286
Sedia ufficio     1085
Mouse             1022
Name: ricavo, dtype: int64

Inserisci una domanda: Mostrami la media del prezzo unitario per ogni prodotto.

🤖 Agent thinking...

📬 Agent response:

import pandas as pd
df = pd.read_csv('vendite.csv')
media_prezzo = df.groupby('prodotto')['prezzo_unitario'].mean()
print(media_prezzo)

prodotto
Monitor          201.250000
Mouse             19.600000
Notebook         818.333333
Sedia ufficio    120.000000
Tastiera          55.750000
Name: prezzo_unitario, dtype: float64

Inserisci una domanda: Quanto fa 2+2 ?

🤖 Agent thinking...

📬 Agent response:

Per favore, fammi una domanda inerente al dataset vendite.csv.
Domanda errata!

Inserisci una domanda: Che giorno è oggi ?

🤖 Agent thinking...

📬 Agent response:

Per favore, fai una domanda inerente vendite.csv.
Domanda errata!