Data journalism 越来越依赖记者在大型结构化数据上快速发现趋势、差异和问责信息。实际操作中，数据集变量众多、模式频繁变化、编码规则复杂，导致探索过程缓慢且脆弱。记者需要在假设演进的同时编写非平凡的分析代码，且常遭遇模式不匹配、语义误读、单位错误等 LLM 失效情形。
DataWeave 通过四个核心模块解决上述痛点：
- 对话交互层，允许用户以自然语言提出探索性问题；
- 模式对齐层，将对话内容映射到数据集的元数据（表、列、类型、单位），实现 schema grounding；
- 分析规划层，根据用户意图生成分析计划，包括统计描述、分组、关联等步骤；
- 可执行查询层，将计划转化为 SQL 或 Pandas 代码，并返回可审查的结果。
系统把 LLM 视为可检查、可纠正、可引导的伙伴，而非独立答案机器。用户可以查看生成的查询、修改字段映射或调整分析步骤，随后重新执行以验证假设。
在一次真实部署中，专业记者使用 DataWeave 对美国教育部的 Integrated Postsecondary Education Data System（IPEDS）进行探索。该数据集包含上千个变量且经常更新，具备复杂的教育层级和计量单位。记者通过对话快速定位感兴趣的子集，系统自动生成带有单位转换的 SQL，随后在交互式表格中验证结果，最终发现了某类院校在奖学金分配上的系统性差异。
部署过程中我们迭代了架构：最初的单轮问答被改为多轮对话；模式缓存从静态文件迁移到实时元数据服务；错误处理加入了对“schema drift”的自动检测。通过这些改进，系统在真实新闻编辑部的使用时长提升了 3 倍，错误率下降至 5%。
从本次工作可以提炼出三条设计原则：
- 让 LLM 输出保持可审计，所有生成的查询必须可视化并可手动编辑；
- 通过持续的模式对齐缓解 schema drift，确保对话始终基于最新元数据；
- 将分析规划显式化，使用户能够在每一步插入 domain knowledge。
点评