原创 PaperAgent 2025-10-02 13:36 河南
小伙伴们节日快乐，今天分享《LLM/Agent-as-Data-Analyst: A Survey》，其中国产LLM在9月持续开源爆发，10余家厂商涉及：DeepSeek、Qwen、百度、快手、腾讯、智谱、美团、小米上交大、清华、微软等首次把「LLM/Agent 当数据分析师」的技术路线系统拆成 5 大设计维度 与 4 类数据模态，并给出 100+ 代表性方法、Benchmark、开源数据集的一站式导航。
LLM/Agent-as-Data-Analyst 的技术全景图
五维演化路线从「人工开发」到「自主设计」的五维演化路线① 数据模态：同构 → 异构② 分析功能：字面 → 语义③ 知识范围：封闭世界 → 开放世界④ 工具集成：紧耦合 → 工具箱即插即用⑤ 开发方式：手工 → 完全自主
Figure-3 结构化数据两大范式
大模型用于Markup语言概览Evaporate：用 LLM 自动生成抽取函数，无需手工 XPathWebFormer：把 DOM 树压进 Transformer，结构+文本一起编码XPath Agent：两阶段清洁→生成，网页爬虫零代码
4.2 不规则表格（合并单元格、层级表头）
Figure-5 半结构化表格 5 大痛点
Chart数据分析概览
Figure-8 LLM 视频分析流水线关键帧抽取 + Token-Merging：TimeMarker、Grounded-VideoLLM时间锚定：用「<t=05:12>」特殊 token 让模型精准定位多智能体：检测→描述→摘要 分角色协作，长视频也能秒级回答5.3 文档理解：超越 OCR 的多模态架构
非结构化文档分析技术挑战
Figure-9 3D-Language Fusion 框架3D-LLM：多视角渲染→视觉 token→LLM，实现场景描述、导航 QA领域专用：3D-MoLM（分子）、ProteinChat（蛋白质）跨模态强化：LLMI3D 只改 2% 参数就让 LLM 看懂单图→3D 几何
2. 核心框架：一张图看懂技术版图
3. 结构化：LLM 成为 SQL 高手
3.1 NL2SQL 技术栈全景左：Pipeline（先语义解析→再生成 SQL→执行）右：End-to-End（直接让 LLM 吐出答案，无需 SQL 中间态）
关键模块
典型技巧
Schema Linking
先让模型知道“有哪些表、字段”
内容检索
动态采样真实值，减少幻觉
多步生成
先 SELECT→再 JOIN→再 WHERE，分而治之
解码策略
Beam-Search + PICARD 后处理，保证语法合法
4. 半结构化数据：妙解HTML/Excel
4.1 Markup 语言（HTML/JSON/XML）① 缺索引 ② 层级内容 ③ 合并单元格 ④ 表头方向乱 ⑤ 内容格式不一致解法思路：Tree-Based：TUTA、ST-Raptor 把表格变成“树”喂给 TransformerDSL 转换：TabFormer、Auto-Tables 用 LLM 生成“软操作符”→转 SQLTable Prompting：SheetCompressor 把 1 万行 Excel 压缩成 200 token，信息不丢
5. 非结构化数据：图表、视频、文档、3D 一网打尽
5.1 图表理解（Chart QA）任务
代表模型
图表描述
ChartThinker（链式思考）、FigCaps-HF（RLHF）
问答
ChartQA、ChartMoE（混合专家）
图→代码
ChartMimic、Text2Chart31（强化学习）
缺高质量数据？ChartLlama、EvoChart 用 GPT-4 合成 100 万对<图，QA>5.2 视频分析：把 3 小时视频压成 256 token
阶段
代表模型
早期融合
LayoutLM（文本+坐标+图片一起输入）
中期融合
LayoutLMv2、DocFormer（双塔交叉注意力）
后期融合
DLAFormer（多任务共享主干）
6. 异构数据湖：一句话查询所有模态
场景：“找出 19 世纪油画里出现过≥3 次的颜色，对应拍卖价高于均值多少？”模态对齐：Unicorn（MoE+对比学习）、Symphony（全部转文本嵌入）检索：CAESURA 把 SQL、VQA、图文相似度统一成 SQL-Like 语法智能体：XMODE 自动拆成“SQL 查年份→VQA 数颜色→Python 画图”paper: https://ai.meta.com/research/publications/cwm/LLM/Agent-as-Data-Analyst: A Surveyhttps://github.com/weAIDB/awesome-data-llm
每天一篇大模型Paper来锻炼我们的思维~已经读到这了，不妨点个👍、❤️、↗️三连，加个星标⭐，不迷路哦~
