AdaLens:直观的叙事线索,帮助控制和引导长时程智能体分析
随着LLM智能体在数据科学领域的自主性不断增强,标准界面无法清晰呈现系统的推理过程,也难以实现及时干预。AdaLens将分析过程以故事线的形式可视化:计划、进度和中间结果一目了然,分析师可以随时调整工作方向。

为什么需要对长时间运行的智能体分析进行控制
现代大型语言模型让数据分析变得越来越自主:智能体自行制定计划、执行步骤、验证假设。但当这类分析运行时间较长并分裂为并行分支时,分析师很难理解智能体究竟在做什么以及为什么这样做。普通界面只能显示简略的日志或单个步骤的结果,无法呈现全貌。
研究人员提出两个关键要求:可观测性——即能够看到智能体的推理和证据如何演化;以及可操控性——即能够介入并将过程引导到正确的方向。缺少这两点,长时间的分析就会变成一个“黑箱”。
现有方案的局限
交互式工具已经在尝试打开工作过程:它们显示步骤、允许暂停执行或进行修改。然而,其中大多数是为离散的逐步对话设计的。实际上,智能体分析常常以并行分支的方式进行,决策结构也会在执行过程中动态变化。因此,传统的“一步一步”方法难以胜任。
在2026年8月18日提交至arXiv的论文中,作者团队——Yangtian Liu、Yan Miao、Shuhan Liu等人——提出了面向长时间智能体场景的交互式监督(interactive oversight)概念。
AdaLens 的工作原理
AdaLens 是一个用于监控和管理正在运行任务的交互式系统。核心理念是将整个分析呈现为一条故事线(storyline),其中可以清晰地看到:
- 分析计划及其演进;
- 当前执行进度;
- 中间结果;
- 哪些数据列被使用以及使用频率。
借助这一方式,分析师看到的不是零散的日志,而是智能体推理的连贯图景。
AdaLens 中的控制操作基于同样的分析元素构建:可以重定向价值不大的方向、深化有前景的方向、停止多余的并行分支或调整计划。操作可以在智能体运行期间直接执行——无需等待其完成。

评估与前景
作者通过两个案例研究和一次用户研究对 AdaLens 进行了评估。他们考察了分析师如何借助故事线跟踪长时间运行的智能体分析并对其进行引导。结果表明,这种方法能够提升对过程的理解,并支持及时干预。
论文可通过 DOI 获取:https://doi.org/10.48550/arXiv.2608.17834(v1版本,2026年8月18日)。看起来,在不久的将来,这类系统有望成为复杂智能体工作流的标准界面。

常问问题
相关材料
所有材料
Toollery:从数万种选项中为 LLM 智能体挑选工具,无需微调
Toollery 根据技能和工具的描述构建搜索索引,并在收到请求时只向模型传递有限的一组候选项。在规模达数万个函数的库上进行的实验表明,该方法在固定 top-K 的情况下能够保持选择质量,但最终效果取决于负载特征和服务提供商的缓存情况。
11 十一月 2026
仪表板分析中 GUI 智能体的分阶段诊断:DashAct 基准测试
介绍 DashAct:一个包含 348 条经人工验证轨迹的基准测试,将 GUI 代理与交互式面板的工作拆分为三个阶段和四种视觉条件。结果显示,代理在动作预测和视觉目标定位方面存在持续性问题,其响应也依赖于上下文和空间支持。
11 十一月 2026
WILSON:整合患者的放大图像和切片,用于病理形态学分析和报告生成
这篇预印本介绍了 WILSON——一种视觉语言模型,可对整张玻片图像以及同一患者在不同放大倍率下的一系列切片进行编码,而不只是单张“最佳”切片。无需针对特定任务进行微调,它在多项指标上超越了专用且规模更大的切片模型,同时计算负载显著更低;其诊断描述也获得了病理学家更高的评价。
11 十一月 2026