在当今这个数据驱动的世界，仅仅挖掘洞察是远远不够的，更重要的是让这些洞察转化为可落地的行动。

不管你是在分析客户行为、优化生产流程，还是评估公共政策的效果，都需要超越简单的图表和统计数据，把有用的洞察清楚、有力地传达出来。

多智能体 AI 助手 —— Jupybara 就是为此而生。

此工具由 Tableau Research 团队在 ACM CHI 2025（人机交互国际顶级会议）上正式发布。

团队成员包括：华盛顿大学博士研究生且同为 Tableau 实习生的 Will (Huichen) Wang 、Tableau 研究部门主管 Vidya Setlur 以及西北大学教授 Larry Birnbaum。

下面，我们一起来看看这项研究的目的与过程，并了解 Jupybara 如何帮助分析师在 Jupyter Notebook 环境中将数据转化为清晰、有说服力且可落地的故事。

从数据探索到成果表达

作为一款由 AI 智能体驱动的智能助手，Jupybara 可服务于数据分析的全流程：从初步的数据探索（EDA）到基于洞察的故事讲述。它以 Jupyter Notebook 扩展的形式存在，将大语言模型（LLM）与分析师的日常工作环境集成，实现人机协作。

如上图所示，这是 Jupybara 工具界面。通过以 Jupyter Notebook 扩展的方式实现，支持可落地的 EDA 与数据叙事：

（A）当在左侧探索复杂数据时，Jupybara 会先生成并展示一份分析计划，再输出代码。

（B）在右侧生成的数据故事中，Jupybara 会用精准的语言表达分析结果，配备前言、连接词和分析策略讲解，帮助用户获得更有价值的洞察，并利用相关领域知识，将数据事实转化为行动指南。

此外，基于三维设计框架，Jupybara 融合了数据可视化理论、叙事逻辑与传播学原理。这些维度会指导 Jupybara 如何生成、优化和完善数据叙事，从而将数据洞察转化为实际影响力。

01 语义精准性

保证数据洞察的表达既准确又有事实依据。

比如，在传达平均时薪大幅下跌时，Jupybara 会推荐“下跌”、“下降”或“暴跌”等不同表述方式，每个用词都有不同的语义色彩。这反映了如何让语言与数据中的统计变化保持高度一致。

02 修辞性框架

支持有说服力、目标明确的信息表达，让洞察更贴合目标受众的预期。

例如在分析性别薪酬差距时，Jupybara 的故事助手会用类似新闻标题的方式开篇——“女性全职岗位薪资比男性低17%”，随后用解释性描述补充：“即便调整行业和学历等因素，这一差距依然存在，说明这并非结构性因素导致，而是有系统性的偏见。”

03 现实相关性

将洞察紧密联系到真实的决策场景，结合行业背景和实际行动。

例如，在识别到全职岗位存在显著性别薪酬差距后，Jupybara 会建议用户：“企业应建立透明的薪酬体系，并每半年按性别审查晋升率。”

多智能体协作助力人机协同分析

此外，Jupybara 引入了多智能体架构，不同的大语言模型 Agents 会在分析和叙事过程中各司其职：部分智能体负责解读统计结果和可视化图表，有的负责审查表达是否清晰、有说服力，还有的专注于确保分析内容和具体行业场景密切相关。

图示：Jupybara 在“数据故事讲述”流程中的多智能体协作机制，即如何将三维设计框架（语义、修辞、实用性）实际用在自动生成和优化分析故事的过程里。

这样的分工灵感来源于人类分析师的团队协作模式，让数据分析和叙事能够不断迭代优化。

当然，对于一些简单或时间紧迫的任务，Jupybara 也支持单智能体模式。但多智能体的方式为未来研究打开了新思路，特别适合需要层层推理、相互点评或者灵活调整表达策略的复杂分析场景。

来自多领域实践的观察与洞见

为了评估分析师如何与 AI 辅助工具进行探索性数据分析（EDA）及故事叙述互动，研究团队邀请了九位来自金融、医疗、零售等领域的资深数据分析师对 Jupybara 进行实测。

在测试中，参与者会分别使用单智能体与多智能体这两个版本工具，基于其专业背景相关数据集完成一项 EDA 任务并生成数据故事。

分析师们普遍认为，Jupybara 的“洞察追踪器”功能可帮助减轻记忆和整理分析过程的负担，让思路和历史记录更清晰。而“澄清标签页”让他们可与 AI 展开针对性的对话，更好地理解 AI 给出的分析结果。

此外，大家觉得 Jupybara 在优化分析结论的表述时非常有用。比如，在语义和修辞方面的建议，能让他们更好选择用词和搭建有说服力的叙述结构。

同时，Jupybara 对于分析策略的建议也非常实用，比如会提示某个操作背后的原因（例如为何要这样处理缺失值），帮助分析师反思和解释自己的选择。

图示：Jupybara 在数据故事讲述过程中自动生成的数据分析报告和行动建议的界面，并结合了高亮显示，用来标注重点内容和需要优化的地方。

整体来说，参与者一致认为多智能体架构生成的内容，在语义准确性、表达说服力以及实际关联性这三个方面，都明显优于单智能体生成的结果。

不仅是分析师工具，更是研究平台

Jupybara 不只是帮助分析师提升工作效率的利器，它本身也是一个用于研究人机协作的新工具。Tableau 研究团队的评测显示，Jupybara 在易用性、可控性、可解释性、可修正性等方面表现突出，这些正是打造高效人机协同系统的关键要素。

随着多智能体 AI 工具的普及，Jupybara 只是迈出了第一步。未来，Tableau 研究团队还可以探索专精于不同领域（比如医疗和金融领域）或不同故事风格的智能体，或者让系统可以根据不断变化的数据自动调整分析策略。

👉 最棒的是，Jupybara 现已在 Github 上开源，欢迎研究人员、教育工作者使用这款工具去探索数据洞察的创新分析方法、解读方式和表达手法。

👉 如果对这项研究感兴趣，可点击观看完整的论文报告。