数据科学自动化的诱惑讲了十年,但真正能替数据科学家"读脏数据、做特征、出报告"的 LLM Agent,仍缺少一把公开的尺子。清华大学等机构刚发布的 AgenticDataBench (arXiv:2607.01647),试图补齐这把尺子。 它和传统评测最大的区别,是引入了**"数据科学技能(skill)"**作为中间粒度:从 Stack Overflow 大规模任务解法里抽取 433 种操作模式——缺失值插补、时序重采样、异常校验等——再用技能对齐的层次聚类去冗余,最终组成 344 个任务、97 个数据集、27.3 GB 数据,覆盖 15 个垂直领域,包含一家头部金融科技公司的 5 个真实 B2B 业务流。 另一亮点是**任务合成管线**——对缺乏真实数据的领域,作者用 LLM 围绕"技能组合"反向合成任务与标准答案,避免 benchmark 过度偏向金融、电商等常见热点。 评测结果未在摘要中披露,但作者开源了测试台与 GitHub repo,给社区一个可复现入口。这条路线对国产 Agent 框架尤其关键——以前大家都只能在自家准备的几道示例题上自吹自擂,现在终于有第三方"统考卷"可以上分。 **【观点】**AgenticDataBench 的真正价值或许不在"哪家模型跑分第一",而在于把"数据科学技能"这个抽象词变成**可枚举、可测试、可教学**的对象。当技能库公开后,做垂域 Agent 的团队可以反向挑选训练数据、针对性补齐短板——这或许是 LLM for Data Science 走向工程化的第一块拼图。