DataPuzzle：从 LLM 数据分析幻觉承诺中解放
计算与语言
2025-09-30 v2
摘要
大语言模型（LLM）日益被用于多模态数据分析——并非因为它们提供最精确的答案，而是因为它们提供流畅、灵活的界面来解释复杂输入。然而，这种流畅性往往掩盖了更深层的结构性失败：当前的“提示-答案”范式将 LLM 视为黑箱分析师，将证据、推理和结论坍缩为单一、不可见的响应。结果导致分析脆弱、无法验证且常常误导。我们主张从生成转向结构化提取，从单一提示转向模块化、代理驱动的工作流程。LLM 不应作为占位符，而应作为合作伙伴——在诸如提取、翻译和关联等任务中专精化——嵌入能够支持逐步推理和验证的透明工作流程中。我们提出 DataPuzzle，一个概念性多代理框架，将复杂问题分解，结构化信息为可解释形式（如表格、图表），并协调代理角色以支持透明和可验证的分析。该框架为恢复 LLM 驱动分析可见性和控制提供了理想蓝图——将不透明的答案转化为可追溯的过程，将脆弱的流畅性转化为可信赖的洞察力。这不仅仅是一项边际性改进；它是一项重新构想如何在大语言模型时代构建可信赖、可审计分析系统的呼声。结构化不是约束——它是通往清晰的路径。
引用
@article{arxiv.2504.10036,
title = {DataPuzzle: Breaking Free from the Hallucinated Promise of LLMs in Data Analysis},
author = {Zhengxuan Zhang and Zhuowen Liang and Yin Wu and Teng Lin and Yuyu Luo and Nan Tang},
journal= {arXiv preprint arXiv:2504.10036},
year = {2025}
}