AI Data Technician：用于科学数据处理的专家引导程序合成智能体

基于摘要分析。该研究针对科学数据处理中依赖人工检查、清洗与整理的瓶颈，提出 AI Data Technician（ADT）：一个基于 LLM 的程序合成智能体，将科学家的标签和自然语言反馈转化为可执行的特征程序与符号化清洗规则。论文主要验证对象是 EEG 和 iEEG 的神经信号清洗分类任务，而非 BCI 控制或任务解码。 核心机制是以专家反馈引导程序搜索：ADT 提出特征程序、生成图表进行可视化检查、拟合紧凑的 one-vs-rest 检测器，再将检测器组合成有序的多类别决策列表。相较于直接使用不透明的学习型伪迹分类器，其方法特点是把清洗决策显式表达为科学家可以审查和修订的可执行规则，同时结合专家语言反馈与智能体自身的视觉检查。 作者报告，在 EEG 与 iEEG 两种模态的信号清洗分类任务中，ADT 超过或大致匹配包括 random forests 和 deep neural networks 在内的强基线；作者据此认为，专家引导的 LLM 程序合成有望改善低标签条件下的神经信号清洗。摘要未提供具体数据集、被试数、标签预算、评估指标或被试内、跨被试及跨会话划分，因此尚不能量化性能优势或判断泛化范围。 复现时需核对所用 LLM、特征程序的搜索空间、专家反馈流程、图表输入方式、检测器拟合与决策排序方法，以及运行成本和代码可用性。实验协议、消融及统计信息尚未验证；尤其需要区分专家反馈、视觉检查和程序合成各自的贡献。该材料也尚未验证清洗规则能否稳定迁移到不同被试、设备或伪迹分布，以及是否改善后续 BCI 解码。