arXiv cs.AI· Ruichen Xia, Xiao Han, Dingyu Yang, Luwei Yang, Sai Wu, Dongxiang Zhang, Binhui Yao, Gang Chen·· 3 天前AI 评分32
LYNX：通过接地与闭环精炼实现分析程序合成
LYNX: Analytical Program Synthesis via Grounding and Closed-Loop Refinement
AI 导读
LYNX 是一个多智能体框架，将 LLM 驱动的数据分析建模为受 schema 和知识约束的分析问题，通过规划、生成、验证、精炼的闭环工作流协同保证语义一致与执行正确。
正文 · AI 翻译
摘要：由 LLM 驱动的数据分析旨在将自然语言指令转化为可在底层数据上执行的分析程序。然而，现有方法无论是将 LLM 视为意图到代码的翻译器，还是将其视为独立的分析引擎，往往都难以可靠地将领域语义与复杂模式和异构元数据对齐，导致在真实工作负载中出现脆弱的执行和语义不一致的分析输出。我们提出 LYNX，一个多智能体框架，将 LLM 驱动的分析形式化为受模式和知识约束的分析问题，而非单次生成任务。LYNX 通过三个角色专门化的智能体，将分析综合组织为规划、生成、验证和精炼的闭环工作流，协同实现模式接地、语义一致性和执行正确性。为解决领域歧义和模式错位问题，LYNX 集成了语义-结构蒸馏与阶段感知分配（SSD-SAA）。增量引导的迭代修订持续诊断并修复语义和执行层面的失败，显著提升综合的鲁棒性。我们在两个 NL-to-SQL 基准上评估 LYNX：BIRD-SQL Mini-Dev 和更具挑战性的 Spider 2.0-Lite。实验结果表明其具有强劲的性能和效率，在轻量级和商业模型上实现了 10.66% 至 59.54% 的执行准确率，同时与先前最高效的方法相比，token 消耗降低了 70.53%。我们的框架在不同骨干模型上展现出高度泛化能力，从开源轻量级模型到最新的商业模型。在量化金融分析和复杂多关系 SQL 工作负载上的额外案例研究进一步证明了该框架在真实分析场景中的鲁棒性、可扩展性和实际适用性。
| 学科： | 人工智能（cs.AI）；数据库（cs.DB） |
| 引用为： | arXiv:2610.14777 [cs.AI] |
| （或 arXiv:2610.14777v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14777 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Xiao Han [查看电子邮件]
[v1]
2026年10月10日 星期六 10:01:24 UTC（3,211 KB）
来源：arXiv cs.AI · arxiv.org