SciDataSailor：深度科学数据探索

科学数据集通常以层次化存储库的形式组织，其中包含异构且相互依赖的文件，使得对数据的检视、整合与分析既耗费人力又依赖领域专业知识。尽管大语言模型（LLM）智能体在规划、推理和工具使用方面已取得长足进展，现有研究却在很大程度上忽视了它们通过可执行环境与真实科学数据资产交互的能力。我们提出深度科学数据探索（Deep Scientific Data Exploration），这是一种智能体任务范式：智能体在存储库中导航、解读异构文件与模式、执行分析、整合跨文件证据，并给出以实际执行观察为依据的结论。为将该范式落地，我们提出 SciDataSailor，一个通过在广泛探索与定向利用之间取得平衡来合成工具交互轨迹的框架。SciDataSailor 将轨迹合成实例化为蒙特卡洛树搜索（MCTS），并引入四项任务特定机制：难度分层的探索种子、双反馈的首播紧迫性（first-play urgency）、从策略到工具的层次化动作生成，以及熵引导的分支。利用该框架，我们构建了用于监督微调的 SciDataSailor-SFT-2K 和用于评测的 SciDataSailor-Bench，后者涵盖生命科学、地球科学与物理科学 27 个数据集上的 627 个元信息摘要任务和 586 个科学问答任务。