CoDA: Agentische Systeme für kollaborative Datenvisualisierung

CoDA: Agentic Systems for Collaborative Data Visualization

October 3, 2025

papers.authors: Zichen Chen, Jiefeng Chen, Sercan Ö. Arik, Misha Sra, Tomas Pfister, Jinsung Yoon

cs.AI

papers.abstract

Tiefgehende Forschung hat die Datenanalyse revolutioniert, doch Datenwissenschaftler widmen nach wie vor erhebliche Zeit der manuellen Erstellung von Visualisierungen, was den Bedarf an robuster Automatisierung durch natürliche Sprachabfragen unterstreicht. Aktuelle Systeme haben jedoch Schwierigkeiten mit komplexen Datensätzen, die mehrere Dateien und iterative Verfeinerungen enthalten. Bestehende Ansätze, einschließlich einfacher Einzel- oder Multi-Agenten-Systeme, vereinfachen die Aufgabe oft zu stark, indem sie sich auf die anfängliche Abfrageanalyse konzentrieren, während sie die robuste Handhabung von Datenkomplexität, Codefehlern oder der endgültigen Visualisierungsqualität vernachlässigen. In diesem Papier formulieren wir diese Herausforderung als ein kollaboratives Multi-Agenten-Problem neu. Wir stellen CoDA vor, ein Multi-Agenten-System, das spezialisierte LLM-Agenten für die Metadatenanalyse, Aufgabenplanung, Codegenerierung und Selbstreflexion einsetzt. Wir formalisieren diese Pipeline und zeigen, wie eine metadatenfokussierte Analyse Token-Grenzen umgeht und eine qualitätsgetriebene Verfeinerung Robustheit gewährleistet. Umfangreiche Evaluierungen zeigen, dass CoDA erhebliche Verbesserungen im Gesamtergebnis erzielt und konkurrierende Baselines um bis zu 41,5 % übertrifft. Diese Arbeit zeigt, dass die Zukunft der Visualisierungsautomatisierung nicht in isolierter Codegenerierung liegt, sondern in integrierten, kollaborativen agentenbasierten Workflows.

English

Deep research has revolutionized data analysis, yet data scientists still devote substantial time to manually crafting visualizations, highlighting the need for robust automation from natural language queries. However, current systems struggle with complex datasets containing multiple files and iterative refinement. Existing approaches, including simple single- or multi-agent systems, often oversimplify the task, focusing on initial query parsing while failing to robustly manage data complexity, code errors, or final visualization quality. In this paper, we reframe this challenge as a collaborative multi-agent problem. We introduce CoDA, a multi-agent system that employs specialized LLM agents for metadata analysis, task planning, code generation, and self-reflection. We formalize this pipeline, demonstrating how metadata-focused analysis bypasses token limits and quality-driven refinement ensures robustness. Extensive evaluations show CoDA achieves substantial gains in the overall score, outperforming competitive baselines by up to 41.5%. This work demonstrates that the future of visualization automation lies not in isolated code generation but in integrated, collaborative agentic workflows.