数据质量评估是有效数据分析和数据驱动决策的关键前提，但由于数据质量的上下文依赖性，这一任务仍然具有挑战性。现有方法往往依赖于静态规则或手动评估策略，限制了它们对多样化使用场景的适应性，并约束了规模化自动化。最近，人工智能的进展，尤其是大型语言模型，为自动化数据质量评估提供了新的机会，但也引发了关于可靠性、基础性和执行安全性的担忧。
在本文中，我们提出了一种统一的自主智能检索框架，用于上下文感知的数据质量评估。该框架解释了预期数据使用的自然语言描述，推导出上下文感知的评估策略，并通过多代理工作流生成可执行的验证逻辑。
为了确保操作的可靠性，该框架引入了可行性验证阶段，评估生成的评估规格的现实性和可执行性，从而在必要时实现迭代优化。接受的验证逻辑以确定性方式执行，确保结果的可重复性和可审计性。
我们将所提出的框架实现为端到端的原型，并在多个使用场景中对同一数据集进行了评估。结果表明，评估结果能够有效适应不同的预期用途，而可行性门控执行减少了不切实际或不可执行规则的生成。所提出的方法为在现代数据驱动环境中部署自主且受控的数据质量评估提供了实用基础。
博主点评： 本文提出的框架通过结合自然语言处理与多代理系统，显著提升了数据质量评估的智能化水平。尤其是可行性验证阶段的引入，确保了评估逻辑的可靠性，为实际应用提供了坚实基础。这一创新思路值得在更广泛的数据分析场景中推广。