CoDA: Agentische Systemen voor Collaboratieve Datavisualisatie

CoDA: Agentic Systems for Collaborative Data Visualization

October 3, 2025

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

cs.AI

Samenvatting

Diepgaand onderzoek heeft een revolutie teweeggebracht in data-analyse, maar datawetenschappers besteden nog steeds aanzienlijke tijd aan het handmatig maken van visualisaties, wat de noodzaak benadrukt van robuuste automatisering vanuit natuurlijke taalvragen. Huidige systemen hebben echter moeite met complexe datasets die meerdere bestanden en iteratieve verfijning bevatten. Bestaande benaderingen, waaronder eenvoudige single- of multi-agent systemen, vereenvoudigen de taak vaak te veel, waarbij ze zich richten op het initieel parsen van queries, maar falen in het robuust omgaan met data-complexiteit, codefouten of de uiteindelijke kwaliteit van visualisaties. In dit artikel herformuleren we deze uitdaging als een collaboratief multi-agent probleem. We introduceren CoDA, een multi-agent systeem dat gespecialiseerde LLM-agenten inzet voor metadata-analyse, taakplanning, codegeneratie en zelfreflectie. We formaliseren deze pipeline en demonstreren hoe metadata-gerichte analyse tokenlimieten omzeilt en kwaliteitsgedreven verfijning robuustheid waarborgt. Uitgebreide evaluaties tonen aan dat CoDA aanzienlijke verbeteringen behaalt in de algehele score, waarbij het competitieve baseline-systemen met tot wel 41,5% overtreft. Dit werk toont aan dat de toekomst van visualisatie-automatisering niet ligt in geïsoleerde codegeneratie, maar in geïntegreerde, collaboratieve agent-gebaseerde 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.