A semi-autonomous, four-agent pipeline can cut hallucinations in exploratory data analysis (EDA) by keeping large language models (LLMs) out of the number-crunching and into the judgment calls only. The design lets the model decide what to examine while plain code, run in a sandbox, does the actual calculations, delivering results that can be verified step by step.
Por qué una única llamada a un LLM es arriesgada
Pedirle a un LLM que "mire esta hoja de cálculo y me diga qué es interesante" genera un único bloque de texto. El modelo inventa números, mezcla el razonamiento con el resultado y no ofrece ningún rastro de cómo se llegó a una conclusión. Cuando alucina —una estadística fabricada o una correlación espuria— no hay un punto de control para detectar el error antes de que llegue al usuario.
La idea detrás de un pipeline semiautónomo
El nuevo flujo de trabajo divide el EDA en cuatro etapas fijas, cada una gestionada por su propio agente. Los agentes siguen un patrón de "planificar y luego actuar": primero deciden qué operación es necesaria y luego entregan la operación a un código en un sandbox que la ejecuta realmente. El LLM nunca realiza aritmética ni manipulación de archivos; solo emite juicios sobre la relevancia.