构建可靠数据分析 Agent 的经验
用更小、更可验证的 harness 提升数据分析 Agent 可靠性。
为什么重要
为围绕小型开放模型构建可靠数据分析 Agent 提供实践方法。
阅读原文developer.nvidia.com
AI 解读（根据原文生成）
NVIDIA Technical Blog 介绍 NVIDIA KGMON team 在 KDD Cup 2026 Data Agents competition 中获得第二名的系统经验。比赛要求 Agent 基于数据库、CSV、JSON、文档、PDF 和视频等异构数据回答自然语言问题，并使用固定小型 LLM。KGMON 的做法包括约束动作空间、统一数据访问、使用持久 Python 环境、预处理、持久状态和评估；其中将 CSV 与 JSON 转入 SQLite，并提供 schema() 与 sql(query) 两个内置函数作为结构化数据入口。文章强调可靠性更多来自合适的 harness，而非让模型更开放。
要点（AI 据原文整理，数字均已与原文核对）
- The NVIDIA KGMON team placed second in the KDD Cup 2026 Data Agents competition.
- The competition asked agents to answer natural-language questions over heterogeneous data sources, including databases, CSV and JSON files, prose documents, PDFs, and briefing videos.
- KDD also required teams to work with a small, fixed LLM to power the agent.
- KGMON converted CSV and JSON files into tables in the existing SQLite database.
- KGMON’s custom, persistent Python environment exposed two built-in functions: schema() and sql(query).
