随着大型语言模型（LLMs）的广泛应用，自然语言接口（NLIs）在数据分析领域的潜力得到了极大的释放。LLMs通过执行多步骤和复杂的推理过程，能够根据用户的分析意图生成深刻的数据洞察。然而，这些洞察往往与分析对话中的丰富上下文，如代码、可视化和自然语言解释等，交织在一起，使得在现有的基于聊天的LLM界面中难以高效地识别、验证和解释这些洞察，从而影响了数据分析的效率。

在使用大型语言模型进行数据分析的典型工作流程中，用户需要从充满各种上下文的冗长分析对话中识别、验证和解释洞察。为了减轻这一过程中的手动和认知负担，采用了基于大型语言模型的多代理框架，该框架能够自动化提取、关联和组织洞察。

为解决上述问题，首先通过对八位经验丰富的数据分析师进行形成性研究，以了解他们在LLM驱动的数据分析过程中的一般工作流程和痛点。然后，提出了一个基于LLM的多代理框架，以自动提取、关联和组织分析过程中的洞察。基于此，引入了InsightLens，这是一个交互式系统，它从多个方面可视化复杂的对话上下文，以促进洞察的发现和探索。

InsightLens由两部分组成：(A) 用户界面和(B) 多代理框架。用户(A1)上传数据集并明确他们的分析意图。数据科学（DS）代理(B1)解释这个意图，并启动一个对话循环，该循环被转发给洞察提取（IE）代理(B2)以进行洞察提取和证据关联。接下来，洞察管理（IM）代理(B3)通过识别它们的数据属性、分析主题和相关洞察来组织洞察。然后，用户可以(A2)检查提取的洞察和(A3)探索结构化的主题。

InsightLens组成部分详细介绍：

1. 多智能体框架：该框架采用多智能体方法，每个智能体都由一个LLM驱动，并配备专门的工具和上下文记忆。这些智能体并行工作，执行不同的任务，如意图解释、洞察力提取、关联和组织。

2. 意图解释（Intent Interpretation）：数据科学（DS）智能体作为框架的入口点，负责解释用户的分析意图，执行代码，并生成洞察力和各种中间输出。DS智能体使用Open Interpreter和ReAct（Reasoning and Acting）范式进行提示，以逐步思考并根据先前的观察调整其行动。

3. 洞察力提取和关联（Insight Extraction and Association）：洞察力提取（IE）智能体负责监控对话历史和分析过程，自动提取对话中的洞察力，并将其与相关的洞察力证据关联起来。IE智能体还评估提取的洞察力的有趣程度，基于它们的语义和统计重要性。

4. 洞察力组织（Insight Organization）：洞察力管理（IM）智能体接收提取的洞察力，并根据数据和语义特征对它们进行分类，将它们组织到基于数据属性和分析主题的子组中。IM智能体还识别相关洞察力，并动态地将新洞察力分类到现有的分析主题中。

5. 可视化更新：InsightLens系统根据对话周期迭代更新可视化，以便于用户从多个方面和细节层次灵活、高效地探索洞察力。

InsightLens的用户界面由五个视图组成。聊天窗口（A）使用户能够与LLM进行对话交互。洞察细节（B）显示当前聚焦的洞察力摘要及其相关的数据背景和支持证据。洞察画廊（C）根据数据和语义呈现相应的相关洞察力。洞察小地图（D）根据每个洞察力按时间顺序可视化分析过程。主题画布（E）提供了整个对话中所有洞察力的层次化主题结构。

Insight的用户界面

通过与十二位数据分析师的用户研究证明了InsightLens的有效性，显示出它显著减少了用户的手动和认知努力，同时不打扰他们的对话式数据分析工作流程，从而带来更高效的分析体验。

关于InsightLens的有效性、易用性和对数据分析影响的问卷调查结果。

InsightLens: Discovering and Exploring Insights from Conversational Contexts in Large-Language-Model-Powered Data Analysishttps://arxiv.org/pdf/2404.01644.pdf

欢迎关注我的公众号“PaperAgent”，每天一篇大模型（LLM）文章来锻炼我们的思维，简单的例子，不简单的方法，提升自己。