Pneuma-Seeker：面向关系数据的AI代理与人类工作的关系再化机制
数据库
2026-03-12 v1
摘要
当面对数据问题时，许多数据工作人员无法准确表述其信息需求，以至于软件无法提供帮助。虽然LLM可解释自然语言请求，但当意图未明确指定时（例如，虚构字段、假设联接路径或生成不切实际的答案）其行为会显得脆弱。我们提出Pneuma-Seeker，一个围绕核心思想“关系再化”构建的系统：Pneuma-Seeker将用户不断演变的信息需求表示为关系模式：一种在用户与系统之间共享的具体、分析就绪的数据模型。与直接回答提示不同，Pneuma-Seeker迭代细化此模式，然后发现并准备相关数据源，以构建一种关系和可执行程序来计算答案。Pneuma-Seeker采用LLM驱动的代理体系结构，结合导演式规划和宏观/微观级情境管理，以在异构关系语料库上有效运行。我们在多个领域对Pneuma-Seeker进行评估，针对最新的学术和工业基线，实现更高的答案准确率。部署于真实组织后， trust 和 inspectability 作为LLM中介数据系统的关键要求得到凸显。
引用
@article{arxiv.2603.10747,
title = {Pneuma-Seeker: A Relational Reification Mechanism to Align AI Agents with Human Work over Relational Data},
author = {Muhammad Imam Luthfi Balaka and John Hillesland and Kemal Badur and Raul Castro Fernandez},
journal= {arXiv preprint arXiv:2603.10747},
year = {2026}
}