产品 NVIDIA Technical Blog·原文 2026年10月9日

NVIDIA KGMON团队获KDD Cup 2026数据分析智能体竞赛亚军

NVIDIA KGMON团队在KDD Cup 2026数据分析智能体竞赛中获得第二名，其方案核心是缩小智能体运行框架、统一数据访问接口并让每次尝试可审查。该团队称这套方法在使用小型固定模型时尤其有用。

AI解读：KGMON团队在KDD Cup 2026数据分析智能体竞赛中排名第二，其系统设计围绕两个原则：约束动作空间、让每次尝试可审查。该团队称，可靠性更多来自围绕模型构建合适的运行框架，而非让模型更开放。

竞赛要求智能体用小型固定LLM回答跨异构数据源（SQL数据库、CSV、JSON、文档、PDF、简报视频）的自然语言问题，需自主检查数据、选择工具、跨源推理并输出答案文件。KGMON将CSV和JSON转为SQLite表，只暴露schema()和sql(query)两个函数查询结构化数据。

该团队的prose_helper工具将文档片段交给另一个LLM单独调用，温度设为0并禁用推理，避免整份文档占用主智能体上下文；视频则通过抽取关键帧、转写音频、对齐转录与帧来预处理。这些做法适用于比赛设置，团队提醒生产系统可能只需针对性文档查询，多视频场景可能更适合按需调用。

KGMON通过多次尝试和答案选择提升覆盖率，但团队指出这会增加token消耗、延迟和计算成本，建议生产环境中仅对价值、不确定性或风险足够高的任务使用集成。改进循环存在过拟合基准的风险，需要保留任务、提示审计和人工审批。

来源为NVIDIA技术博客中该团队的自述，属于参赛团队对自身方案的经验分享，并非独立验证的效果评估。团队在文末说明，KDD方案受基准条件影响（固定模型、无互联网访问、异构任务包、数值级评分、长运行预算），设计选择不应直接复制到生产环境。

NVIDIA KGMON团队在KDD Cup 2026数据分析智能体竞赛中获得第二名。该团队在NVIDIA技术博客中介绍了其系统方案，核心思路是让智能体的运行框架更小、更清晰、更容易验证。

竞赛要求智能体用小型固定LLM回答跨异构数据源的自然语言问题，数据源包括数据库、CSV和JSON文件、文本文档、PDF和简报视频。每项任务都不止于检索，智能体需要检查可用数据、选择工具、跨源推理、产出最终答案文件，并处理分析流程中的陷阱。

KGMON如何统一数据访问

KGMON将CSV和JSON文件转换为现有SQLite数据库中的表，为所有结构化数据提供单一SQL接口。其自定义的持久Python环境暴露两个内置函数用于检查和查询统一数据面：schema()和sql(query)。

团队称，单一SQL接口减少了路由失败和浪费的回合，让固定模型把更多空间用于数据推理。该团队还增加了模式侦察步骤，在主推理循环前检查表、列、可能的连接键、重名、相似字段、单位、空值模式和行粒度问题。

KGMON将智能体限制在一组小型工具上：schema()检查表和列，sql(query)查询context.db，write_answer(df)原子写入最终答案，prose_helper()从文本提取答案或将文本转为SQL表。中间件会修复格式错误的工具调用，使一次错误调用不会终止整个尝试。

该团队阻断了通过Python的open()函数或.read()方法直接读取整份文件，提供按字符数或正则匹配限制预览和搜索的工具。找到相关段落后，智能体可调用prose_helper，将文档块传给另一个温度设为0、禁用推理的LLM调用，返回答案或提取表格，使原始文档内容不进入主智能体上下文。

每次尝试会记录提示、工具调用、SQL查询、中间结果、错误、修复、文档查找和最终答案，专门的检查智能体可审查失败轨迹、归类错误并浮现重复故障。团队通过按答案值而非列名对多次尝试分组，并可为有争议的任务增加运行次数。

团队指出，重复尝试会增加token消耗、延迟和计算成本，生产环境中应仅对价值、不确定性或风险足以证明成本合理的任务使用集成。改进循环可能将训练示例硬编码进提示、积累矛盾指令、添加脆弱的后处理规则，或在一部分基准上改善的同时损害泛化能力。