构建可靠数据分析代理：KDD Cup 2026 经验分享

背景与变化

NVIDIA 开发者博客于 2026 年 10 月 8 日发布文章，介绍 KGMON 团队在 KDD Cup 2026 数据分析代理竞赛中获得第二名的方案。竞赛要求代理基于数据库、CSV、JSON、文档、PDF 和简报视频等异构数据源回答自然语言问题，且只允许使用小型固定 LLM，因此团队将优化重点放在执行框架（harness）而非模型本身。

主要做法

• 将 CSV、JSON 统一并入 SQLite，使结构化数据只通过 schema() 与 sql(query) 两个接口访问，减少路由错误。
• 在主推理循环前增加只读的模式侦察步骤，提前告知表结构、连接键、单位、空值和数据质量问题。
• 工具集限制为 schema 检查、SQL 查询、答案写入和 prose_helper 等少量函数，并由中间件修复格式错误的调用，持久化状态保留中间结果。
• 文档与结构化分析分离：通过受限预览和正则搜索定位片段，再由独立零温度 LLM 调用提取答案或表格，避免原始文本进入主上下文。
• 视频在代理循环外预处理，提取关键帧、转写音频并对齐证据。
• 记录提示、工具调用、SQL、中间结果和错误轨迹，由专门的检查代理归类失败原因。
• 通过多轮尝试与答案选择提升覆盖，但文章明确指出这会增加 token、延迟和算力成本，仅建议对高价值或高不确定性任务使用。

适用场景与限制

文章强调该方案由竞赛条件塑造：固定模型、无互联网访问、价值级评分和较长运行预算，不宜直接照搬到生产。作者建议先从一个可重复的分析工作流和最小框架入手，逐步加入文档检查、共享知识和经人工审核的改进。自主改进循环存在过拟合基准、提示词硬编码、矛盾指令和脆弱后处理等风险，需要留出验证集、提示审计和人工批准环节。改进行为本身来自官方博客的自述，未经过独立复现或第三方验证。