10 月 8 日，NVIDIA 开发者博客挂出一篇复盘文章，拆解 KGMON 团队在 KDD Cup 2026 竞赛中如何构建一个「靠谱的数据分析智能体」。这篇文章之所以值得读，不是因为它讲了多新的模型，而是因为它承认了一个很多人不愿面对的事实：让 Agent 真的把一份数据做对，比让它「看起来会分析」难得多。文章提炼的三个关键词——受限工具、持久状态、基于 trace 的评测——正好是这套实战手册的骨架。

做数据分析 Agent，为什么工具反而不能给太多？

直觉上，工具越多 Agent 越强。竞赛里的反经验是反过来的：给 Agent 二十个细粒度工具，它会在工具选择上反复犯错、反复重试，把上下文烧光。KGMON 的做法是收敛工具集，只保留少数几个语义清晰、参数稳定的动作，把「选择困难」从 Agent 的决策里删掉。工具越少，错误面越小，成功率反而越高。

为什么 Agent 的状态必须跨轮次持久？

数据分析不是一次问答，而是多轮探索：先看列、再筛选、再聚合、再画图。如果每一轮都从零开始、重新读全表，既慢又错。KGMON 的关键设计是给 Agent 一个持久的工作状态——它记得刚才看过哪些列、做过哪些过滤、中间结果是什么，下一轮直接在这个状态上继续。这把 Agent 从「单次调用」变成了「有记忆的工作者」。

为什么评测要盯着轨迹，而不是只看最终答案？

数据分析任务的答案往往不是唯一的一个数，而是一条推理链。只看最终数字对不对，根本无法判断 Agent 是真的会做，还是蒙对了。KGMON 的做法是记录完整 trace——每一步调了什么工具、传了什么参数、看到了什么——再基于轨迹做评测和回归。这和做人机复盘一模一样：你得看它怎么走到的结论，而不是只看结论。

这套经验对哪一类团队最有用？

任何想把 Agent 接进真实业务数据的团队，都该把这三条抄走。数据分析是 Agent 最容易「演示惊艳、上线拉胯」的场景，KDD Cup 的价值就在于它用一个封闭、可重复的竞赛环境，把这个坑提前暴露了一遍。工具收敛、状态持久、轨迹评测——这三件事不性感，却决定了你的 Agent 是 demo 还是产品。

去论坛讨论

这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：KDD Cup数据分析智能体