构建可靠的数据分析代理：KDD Cup 的经验

📌 One-Sentence Summary

NVIDIA KGMON 团队通过开发一个简化的代理框架，实现了数据访问的标准化、工具使用的约束以及执行过程的详细追踪，从而在 KDD Cup 2026 中获得第二名。

📝 Summary

本文详细介绍了 KGMON 团队的参赛策略，重点是创建一个持久的 Python 运行环境，并采用统一的 SQL 接口来处理所有结构化数据。该系统将代理可使用的工具限制在一个小而明确的集合中，并对视频和文档等非结构化数据进行预处理，最后提供了详细的执行追踪用于故障排查和迭代优化。

💡 Main Points

统一的数据访问

系统将所有结构化数据源（CSV、JSON、数据库）整合到一个 SQLite 数据库中，使代理可以使用一致的 SQL 接口进行查询，而无需处理不同的 API。

受限的工具集

为了避免错误并降低复杂性，代理被限制使用一个小的、定义明确的辅助函数集，用于模式检查、SQL 执行和文档读取。

持久状态与错误处理

执行环境在工具调用之间保留变量，并且实现了中间件来修复格式错误的工具调用，确保代理能够从轻微的错误中恢复。

文档和视频预处理

非结构化数据（如散文文档和视频）在被传递给代理之前会进行预处理，提取关键信息或表格，防止模型被原始数据淹没。

执行追踪与评估

系统记录了执行过程的每一步，用于对失败进行详细分析。这些数据帮助分类错误，并通过迭代测试来优化代理的行为。

💬 Key Quotes

本次比赛要求代理根据非均质数据源（包括数据库、CSV 和 JSON 文件、散文文档、PDF 以及简介视频）回答自然语言问题。

KGMON 统一了数据访问，公开了小的工具集，并要求最终答案通过单一输出路径。

单一的 SQL 接口减少了路由失败和浪费的轮次，为固定的模型留出了更多的推理空间。

一个有状态的 Python 环境在工具调用之间保留了变量，让代理可以重用中间结果。

该团队需要在不构建一个会记忆基准的框架的情况下迅速进行改进。

📊 Article Meta

AI Screening： 92

Featured： Yes

Source： NVIDIA Technical Blog

Author： Jiwei Liu

Category： 人工智能

Language： 英文

Read Time： 8 min

Word Count： 1887

Tags：

AI 与智能应用 , AI Agent , 数据工程 , Python , 模型评测与基准