MUSE：用于理解和引导大语言模型驱动数据科学系统的交互式元代理

arXiv AI 发布论文提出 MUSE，这是一个交互式元代理，用于增强用户对由大语言模型驱动的数据科学智能体的理解和控制。MUSE 通过动态重构执行轨迹为多语义层次、支持上下文引用步骤进行查询和反馈，以及混合主动性引导来修复问题。一项 15 名被试的间组研究显示，MUSE 提升了任务效率和用户信心。

此前，基于大语言模型的数据科学系统在失败或输出异常时难以诊断和调整。MUSE 提供了轨迹多层级可视化、上下文引用和可疑步骤提示，使用户能够主动引导系统修复，而非被动接受结果，这标志着从黑盒到可交互控制的转变。

MUSE 的机制包括：将底层执行轨迹重构为多个语义层次，便于导航；允许用户引用特定步骤提出问题和反馈；通过提示可疑步骤并帮助修复，将用户意图转化为上下文指令，实现混合主动的引导。这些设计旨在降低认知负荷，提升调试效率。

对产品而言，MUSE 可能提升数据科学平台的可解释性和用户控制力，减少因黑盒导致的信任问题。研发上需关注执行轨迹的语义分层和修复指令生成模块，可能增加开发复杂度，但能显著改善用户体验和调试效率。

• 为数据科学智能体产品增加执行轨迹可视化面板，支持多层级查看。
• 在交互界面中实现步骤引用和上下文提问功能，提升问题定位速度。
• 基于 MUSE 设计可疑步骤自动提示机制，辅助用户快速发现潜在错误。

• MUSE 在更大规模用户和更复杂工作流中的效果如何？
• MUSE 对底层大语言模型的性能依赖程度如何？
• MUSE 是否支持多种数据科学智能体框架？