Deep Research Interactive AI Execution Graph Data Analytics
摘要

企业日益倾向于通过AI工具(如语义操作符或深度研究代理)使用自然语言查询数据湖。然而,现有代理作为不透明的黑盒,隐藏了中间推理和数据检索步骤,且缺乏对API成本和执行延迟的控制手段;而语义操作符在企业级规模下成本高昂。这导致分析师无法拦截幻觉前提、验证中间结果或纠正系统轨迹。本文提出Carnot,一个用于AI驱动分析的交互式执行引擎。Carnot将自然语言请求编译为物理执行图,并通过交互式笔记本界面展示。用户无需盲目等待最终输出,而是可以批判性审查计划、增量执行操作符、检查中间数据或直接编辑底层代码。Carnot的查询优化器将根据用户提供的成本或延迟约束优化查询。演示展示了Carnot如何帮助用户在真实企业用例的工作负载中实现高效且可验证的洞察。

AI 推荐理由

论文核心在于将自然语言请求编译为可交互的执行图(计划),支持用户干预、修正和逐步执行,属于典型的Agent任务规划与执行控制研究。

研究机构
MIT
论文信息
作者 Matthew Russo, Yash Agarwal, Tianyu Li, Zhuohan Gu, Michael Cafarella et al.
发布日期 2026-08-10
arXiv ID 2608.09532
相关性评分 9/10 (高度相关)