SciVisAgentSkills: 과학 데이터 분석 및 시각화를 위한 에이전트 기술 설계 및 평가

SciVisAgentSkills: Design and Evaluation of Agent Skills for Scientific Data Analysis and Visualization

최근 에이전트 기반 시각화 기술의 발전으로 자연어 명령을 실행 가능한 과학 시각화(SciVis) 워크플로우로 변환할 수 있게 되었습니다. 범용 코딩 에이전트는 강력한 기능을 보여주지만, SciVis 작업에 필요한 도구별 전문 지식이 부족한 경우가 많습니다. 본 연구에서는 ParaView, napari, VMD 및 TTK와 같은 과학 도구를 대상으로 환경 가정, 도구 사용 패턴 및 영역 휴리스틱을 인코딩하여 코딩 에이전트를 강화하는 재사용 가능한 에이전트 기술 모음인 SciVisAgentSkills를 제시합니다. 우리는 108개의 전문가가 설계한 다단계 작업으로 구성된 벤치마크인 SciVisAgentBench를 사용하여 Codex 및 Claude Code에서 이러한 기술을 평가했습니다. 결과는 평가된 모든 데이터 세트에서 에이전트 기술이 평균 작업 점수를 향상시키며, 에이전트 하니스와 도구 설정에 따라 토큰 효율성 이점을 제공한다는 것을 보여줍니다. 이러한 결과는 신뢰할 수 있는 장기 SciVis 워크플로우를 가능하게 하는 데 구조화된 절차적 지식의 중요성을 강조하며, 동시에 기술은 해당 기술을 로드하고 적용하는 실행 하니스와 함께 연구되어야 한다는 점을 시사합니다. 이 기술들은 https://github.com/KuangshiAi/SciVisAgentSkills 에서 사용할 수 있습니다.

Recent advances in agentic visualization have enabled the translation of natural language into executable scientific visualization (SciVis) workflows. While general-purpose coding agents show strong capabilities, they often lack the tool-specific expertise required for SciVis tasks. In this work, we present SciVisAgentSkills, a collection of reusable agent skills that augment coding agents for scientific data analysis and visualization by encoding environment assumptions, tool usage patterns, and domain heuristics across scientific tools such as ParaView, napari, VMD, and TTK. We evaluate these skills on Codex and Claude Code using SciVisAgentBench, a benchmark of 108 expert-designed multi-step tasks. Results show that agent skills improve mean task scores across the evaluated suites, with token-efficiency benefits that depend on the agent harness and tool setting. These findings highlight the importance of structured procedural knowledge for enabling reliable, long-horizon SciVis workflows, while also showing that skills should be studied alongside the execution harness that loads and applies them. The skills are available at https://github.com/KuangshiAi/SciVisAgentSkills.