NVIDIA 于 2026 年 10 月 8 日分享 KGMON 团队在 KDD Cup 2026 Data Agents competition 取得第二名的做法。比赛要求 agent 从 database、CSV、JSON、prose documents、PDF 和 briefing videos 等异构数据回答自然语言问题，而且不只是 retrieval：agent 需要选择工具、跨数据源推理、产生答案文件，并处理分析流程中的陷阱。
比赛使用一个 small fixed LLM，让主要优化面由换模型转到 harness。KGMON 的核心取向有两点：先限制 action space，避免 agent 有太多读取数据、调用工具和修复错误的路径；再让每次尝试都可检查，保留 prompts、tool calls、SQL queries、中间结果、错误、修复和最终答案，方便人和另一个 inspector agent 找出第一个出错位置。
在 structured data 方面，团队把 CSV 和 JSON 转成现有 SQLite database 的 tables，让 agent 只面对一个 query surface。自定义环境提供 schema() 和 sql(query)；在主要 reasoning loop 开始前，schema-scout 会整理 tables、columns、可能 join keys、duplicate names、units、null patterns 和 row-grain 问题，减少 agent 先花多个回合猜数据结构。
KGMON 同时将工具面收窄到 schema inspection、SQL、prose lookup、答案写入等少数 helper，包括 schema()、sql(query)、write_answer(df) 和 prose_helper()。middleware 会修复格式错误的 tool calls，persistent state 让 agent 重用中间结果；文档则先用受限 preview 和 targeted search，再由另一个 zero-temperature LLM call 提取规则或表格，避免整份原文占用主 agent context。
如果任务有 briefing videos，系统会先抽取 keyframes、转录 audio，再把 transcript segments 对齐画面，让 agent 取得整理过的证据。这些 preprocessing 和工具设计都是配合比赛条件，不能直接当成所有 production data agent 的标准答案。NVIDIA 自己也提醒，竞赛解法受到 fixed model、没有 internet、异构 task bundles、value-level scoring 和长时间 budget 影响。
较可移植的经验是：先把数据访问标准化，给 agent 一个小而可靠的工具面，记录完整 execution traces，同时评估答案和 trajectory；改进时使用 held-out tasks，避免把 benchmark 例子硬编码进 prompt。人工仍应定义成功条件、审核 trace、拒绝脆弱的修补，并在成本、风险和泛化能力都可接受后才把改动纳入 harness。
