TwinBI：面向商业智能仪表板高效增强交互的智能体数字孪生
2026年6月11日，arXiv 发布了一篇由 Jisoo Jang 与 Wen-Syan Li 共同完成的论文，题为《TwinBI: An Agentic Digital Twin for Efficient Augmented Interactions with Business Intelligence Dashboards》。该论文归属于计算机科学中的人工智能方向（cs.AI），并同时涉及多智能体系统（cs.MA）。
论文首先指出了一个在商业智能（BI）实践中日益突出的矛盾：如今的 BI 产品往往同时提供仪表板的直接操作和基于大语言模型（LLM）的智能助手，但这两种分析模式在多步骤分析过程中经常失去同步。当用户在直接拖动仪表板、切换筛选条件与自然语言提问之间来回切换时，系统很难在筛选器、层级结构、度量指标以及图表上下文之间维持一致的分析状态。这种状态漂移会导致后续的问答和图表解读建立在错误或不完整的前提之上。
为解决这一问题，作者提出了 TwinBI——一个“智能体数字孪生”框架。其核心思路是把基于 LLM 的智能体系统与一个可执行的 BI 仪表板状态耦合在一起。TwinBI 通过一份统一的交互日志，重建出共享的分析状态，从而把对话式交互、仪表板操作、语义落地（把自然语言映射到数据语义）以及来源追踪（provenance tracking）统一到同一套状态之上。换言之，用户在界面上看到的每一个筛选、每一个层级下钻，都会同步成为智能体可理解并引用的上下文。
在可解释性方面，TwinBI 还对外暴露了多种产物，包括模式视图（schema views）、生成的 SQL、交互日志，以及一个 /insights 命令。该命令可以基于当前分析状态生成有据可依的分析摘要，让用户清楚智能体的结论究竟来自哪些数据和操作。
论文采用两种互补的方式评估 TwinBI。第一种是在相同骨干智能体下进行的受控 A/B 基准测试：与仅使用仪表板的基线相比，TwinBI 将精确匹配准确率从 43.3% 提升到 63.3%，部分得分准确率从 48.3% 提升到 70.8%，并将超时率从 40.0% 大幅降至 10.0%。第二种是可用性研究，参与者从仪表板与聊天一体化的流程中获益，任务准确率较高，工作负荷适中，并对状态感知的交互机制给出了积极评价。
作者认为，这些结果表明 TwinBI 通过把可见的仪表板状态转化为更丰富、可操作的上下文，既提升了智能体层面的分析可靠性，也改善了面向用户的分析支持。论文的数据集与源代码已在 GitHub 上公开，仓库地址为 https://github.com/simonjisu/TwinBI。论文以 arXiv:2606.13731 [cs.AI] 提交，v1 版本于 2026 年 6 月 11 日 11:49:31 UTC 上传，文件大小约 1,502 KB，DOI 为 https://doi.org/10.48550/arXiv.2606.13731。