LLM 驱动的数据分析旨在把自然语言指令转化为可在底层数据上执行的分析程序。现有方法要么把 LLM 当作意图到代码的翻译器，要么直接作为分析引擎，但往往难以在复杂模式和异构元数据之间保持语义对齐，导致执行脆弱、结果不一致。
LYNX 将 LLM‑driven 分析建模为受模式和知识约束的分析问题，而不是一次性生成任务。系统采用三类专职代理：规划、生成、验证与细化，形成闭环工作流，分别负责模式落地、语义一致性和执行正确性。
为缓解领域歧义和模式错配，LYNX 引入 Semantic‑Structural Distillation 与 Stage‑Aware Allocation（SSD‑SAA），并通过 delta‑guided 迭代修正持续诊断并修复语义与执行层面的错误，显著提升合成鲁棒性。
在 BIRD‑SQL Mini‑Dev 与 Spider 2.0‑Lite 两个 NL‑to‑SQL 基准上评估，LYNX 在轻量和商业模型上实现 10.66%~59.54% 的执行准确率，并将 token 消耗比最优方法降低 70.53%。框架在开源轻量模型到最新商业模型之间表现出良好泛化。
案例研究覆盖量化金融分析和多关系复杂 SQL 工作负载，进一步验证了系统在真实场景中的鲁棒性、可扩展性和实用性。
点评