下面介紹的是論文(CoDA: Agentic Systems for Collaborative Data Visualization)的內(nèi)容：

數(shù)據(jù)分析師的"隱形稅"：數(shù)據(jù)可視化在商業(yè)智能和數(shù)據(jù)科學(xué)中扮演著重要角色，能夠幫助專(zhuān)業(yè)人士通過(guò)直觀的圖形從復(fù)雜數(shù)據(jù)集中發(fā)現(xiàn)洞察。但現(xiàn)實(shí)是，數(shù)據(jù)分析師可能要花費(fèi)超過(guò)三分之二的時(shí)間在低級(jí)別的數(shù)據(jù)準(zhǔn)備和可視化任務(wù)上，經(jīng)常需要手動(dòng)迭代以實(shí)現(xiàn)清晰度、準(zhǔn)確性和美觀。這種"隱形稅"讓分析師無(wú)法專(zhuān)注于洞察生成。

圖片

隨著LLM的興起，自動(dòng)化這一流程的潛力巨大。然而，要實(shí)現(xiàn)這一潛力，需要解決核心挑戰(zhàn)：處理大型數(shù)據(jù)集、協(xié)調(diào)不同的專(zhuān)業(yè)知識(shí)（語(yǔ)言學(xué)、統(tǒng)計(jì)學(xué)、設(shè)計(jì)），以及整合迭代反饋來(lái)應(yīng)對(duì)現(xiàn)實(shí)世界的復(fù)雜性。

現(xiàn)有方案的局限：當(dāng)前自動(dòng)化可視化的方法存在各種局限：

• 傳統(tǒng)規(guī)則系統(tǒng)如Voyager和Draco將設(shè)計(jì)知識(shí)形式化為約束條件，但局限于預(yù)定義模板，難以處理自然語(yǔ)言查詢或多樣化的數(shù)據(jù)模式。
• 基于LLM的方法如CoML4VIS直接攝入原始數(shù)據(jù)，面臨上下文窗口限制、幻覺(jué)問(wèn)題，以及多源數(shù)據(jù)處理失敗的風(fēng)險(xiǎn)。
• 多agent框架如VisPath和MatplotAgent引入了協(xié)作系統(tǒng)來(lái)生成繪圖代碼，但缺乏以元數(shù)據(jù)為中心的分析，導(dǎo)致數(shù)據(jù)處理過(guò)擬合，迭代編輯的持久性較弱。

這些問(wèn)題源于一個(gè)共同的局限：

• 它們將推理和協(xié)調(diào)集中在初始查詢解析上，這不足以處理復(fù)雜的數(shù)據(jù)環(huán)境、代碼錯(cuò)誤和迭代改進(jìn)。

CoDA：協(xié)作式數(shù)據(jù)可視化agent：為了解決這些挑戰(zhàn)，論文提出了CoDA（Collaborative Data-visualization Agents），一個(gè)多agent系統(tǒng)，通過(guò)將任務(wù)投射到自我演化的流水線中來(lái)深化可視化能力，其中agent專(zhuān)注于理解、規(guī)劃、生成和反思。

圖片

設(shè)計(jì)原則：CoDA基于四個(gè)關(guān)鍵原則：

• 專(zhuān)業(yè)化深度：將agent分配到不同角色（規(guī)劃vs執(zhí)行），在不讓單一模型負(fù)擔(dān)過(guò)重的情況下深化推理。
• 以元數(shù)據(jù)為中心的預(yù)處理：預(yù)先總結(jié)數(shù)據(jù)結(jié)構(gòu)以指導(dǎo)下游決策，繞過(guò)完整數(shù)據(jù)加載的需求。
• 迭代反思：通過(guò)類(lèi)似人類(lèi)的輸出評(píng)估（如圖像分析）來(lái)檢測(cè)和糾正問(wèn)題。
• 模塊化可擴(kuò)展性：將agent設(shè)計(jì)為可互換模塊，允許為不斷演化的任務(wù)集成新工具或模型。

agent團(tuán)隊(duì)的分工協(xié)作：CoDA的工作流程包含多個(gè)專(zhuān)業(yè)化agent：

圖片

查詢分析器解釋查詢意圖，將其分解為全局TODO列表，并為下游agent生成指南。

數(shù)據(jù)處理器從數(shù)據(jù)文件中提取元數(shù)據(jù)摘要（模式、統(tǒng)計(jì)數(shù)據(jù)、模式），避免超出上下文窗口限制。

可視化映射器將查詢語(yǔ)義映射到可視化原語(yǔ)，選擇合適的圖表類(lèi)型，定義數(shù)據(jù)到視覺(jué)的綁定。

搜索agent從繪圖庫(kù)中檢索相關(guān)代碼示例以啟發(fā)生成。

設(shè)計(jì)探索器生成內(nèi)容和美學(xué)概念，優(yōu)化顏色和布局等元素。

代碼生成器綜合可執(zhí)行的Python代碼，確保最佳實(shí)踐和文檔。

調(diào)試agent執(zhí)行代碼，診斷錯(cuò)誤，應(yīng)用修復(fù)。

視覺(jué)評(píng)估器跨多維質(zhì)量指標(biāo)評(píng)估輸出圖像，驗(yàn)證TODO完成情況并提出改進(jìn)建議。

agent通過(guò)共享內(nèi)存緩沖區(qū)交換結(jié)構(gòu)化消息。反饋循環(huán)觸發(fā)自我反思：如果質(zhì)量分?jǐn)?shù)低于閾值，問(wèn)題會(huì)被路由回上游agent。系統(tǒng)在質(zhì)量收斂或達(dá)到反思限制時(shí)停止。

圖片

實(shí)驗(yàn)驗(yàn)證：最高提升41.5%：論文在MatplotBench和Qwen代碼解釋器基準(zhǔn)測(cè)試上評(píng)估了CoDA，使用三個(gè)關(guān)鍵指標(biāo)：

??執(zhí)行通過(guò)率（EPR）：生成的代碼無(wú)運(yùn)行時(shí)錯(cuò)誤執(zhí)行的比例

??可視化成功率（VSR）：渲染可視化的質(zhì)量平均分?jǐn)?shù)

??總體分?jǐn)?shù)（OS）：代碼和可視化質(zhì)量分?jǐn)?shù)的平均值

主要結(jié)果：在MatplotBench上，CoDA的總體分?jǐn)?shù)達(dá)到79.5%，比最佳替代方案提升24.5%。在Qwen基準(zhǔn)測(cè)試上提升7.4%。在更具挑戰(zhàn)性的DA-Code基準(zhǔn)測(cè)試（涉及軟件工程場(chǎng)景）中，CoDA得分39.0%，比最強(qiáng)基線絕對(duì)提升19.77%。

圖片

不同大模型的表現(xiàn)：論文測(cè)試了CoDA在不同LLM主干上的表現(xiàn)：

??gemini-2.5-pro：79.5%（最佳）

??gemini-2.5-flash：77.7%（僅下降1.8%，適合實(shí)時(shí)應(yīng)用）

??claude-4-sonnet：75.2%（下降4.3%）

這些結(jié)果突顯了

CoDA的主干無(wú)關(guān)設(shè)計(jì)，能夠放大每個(gè)LLM的固有優(yōu)勢(shì)，同時(shí)通過(guò)協(xié)作工作流程緩解弱點(diǎn)。

效率分析：CoDA平均每個(gè)查詢使用32,095個(gè)輸入token、18,124個(gè)輸出token和14.8次LLM調(diào)用。雖然比簡(jiǎn)單基線的計(jì)算成本更高，但

比MatplotAgent少用17.6%的總token，同時(shí)實(shí)現(xiàn)了顯著更高的準(zhǔn)確性（79.5% vs 51.0%）。

圖片

消融研究：每個(gè)組件都重要：論文驗(yàn)證了CoDA關(guān)鍵組件的貢獻(xiàn)：

自我演化的影響：總體分?jǐn)?shù)隨迭代次數(shù)增加，從1次迭代的75.6%提升到3次迭代的79.5%。超過(guò)3次迭代后收益遞減。

全局TODO列表的作用：移除后總體分?jǐn)?shù)下降至75.1%（-4.4%），執(zhí)行通過(guò)率下降5.0%。這確認(rèn)了結(jié)構(gòu)化規(guī)劃在agent工作流中的價(jià)值。

示例搜索agent的有效性：禁用后總體分?jǐn)?shù)降至76.0%（-3.5%），執(zhí)行通過(guò)率下降9.0%。代碼搜索通過(guò)提供排名片段，將LLMagent的編碼知識(shí)與具體問(wèn)題聯(lián)系起來(lái)。

本文轉(zhuǎn)載自??AI帝國(guó)??，作者：無(wú)影寺