基于大语言模型的数据科学智能体：能力、挑战与未来方向综述

近期大语言模型（LLM）的进展使得能够自动化数据科学工作流程中多个阶段的新型 AI 智能体成为可能，这类系统通过整合规划、工具使用和跨文本、代码、表格和可视化内容的多模态推理能力实现。本综述提供了首个全面且贴合数据科学生命周期的分类框架，系统性地将四十五个数据科学智能体映射到数据科学过程的六个阶段：业务理解与数据获取、探索性分析与可视化、特征工程、模型构建与选择、解释与解释、部署与监控。除了生命周期覆盖，我们沿着五个横向设计维度对每个智能体进行标注：推理与规划方式、模态集成、工具编排深度、学习与对齐方法以及信任、安全与治理机制。除分类外，我们提供对智能体能力的批判性综合，概述各阶段的优势与局限，回顾新兴基准与评估实践。我们的分析识别出三个关键趋势：大多数系统侧重于探索性分析、可视化和建模，而忽略了业务理解、部署和监控；多模态推理和工具编排仍是未解之谜；超过 90% 的系统缺乏明确的信任与安全机制。我们结论性地概述了在对齐稳定性、可解释性、治理和健全评估框架方面的开放挑战，并提出未来研究方向以指导开发健壮、可信赖、低延迟、透明且广泛可及的数据科学智能体的发展。