StateGuard：针对长期数据Agent的分析状态管理和有效性感知干预

基于LLM的Agent在自动化数据分析方面表现出了强大的能力，并且越来越多地转向长期、多阶段的分析工作流程。然而，随着分析过程的发展，约束、变量和结论仍然隐式地嵌入交互历史中，这使得Agent很难跟踪哪些分析工件在越来越长的时间范围和不断变化的依赖关系中仍然有效。因此，过时的工件可能会被悄悄继承，从而将错误传播到下游阶段。为了应对这一挑战，我们提出了 StateGuard，一种用于长时域数据Agent的分析状态有效性管理框架。 StateGuard 将不断发展的分析进程具体化为包含约束、版本化变量、中间结论和跨状态关系的状态图，将每个状态视为可执行、可验证和可追踪的对象，而不仅仅是文本记忆。 StateGuard 通过基于证据的验证和分层干预来维护状态有效性。为了使 StateGuard 具备这些功能，我们首先引入面向管理者的反事实监督，它通过反事实运行时合成构建 3K 以状态为中心的轨迹，以微调 StateGuard 进行状态维护、验证和修复。然后，我们应用有效性引导策略优化，使用运行时有效性证据为协议正确性、状态基础和干预质量提供细粒度的学习信号。对三个不同的长期数据分析基准进行的实验表明，StateGuard 不断提高数据Agent性能，同时减少依赖引起的下游错误传播，证明了显式分析状态管理对于可靠的长期数据分析的优势。