Autonomous Agent Prediction：Kaggle 表格型竞赛时代的落幕

Kaggle 最近上新了一个新的竞赛，内容是 Submit an agent able to autonomously train a model and submit to a competition ，即通过构建一个 Agent 来解决传统的二分类表格竞赛问题。竞赛链接

竞赛是以 Playground 系列名义进行的，但是它其实也代表了一个方向：传统的表格数据分析已经不需要专门的数据分析人员来做了，或者说数据分析岗已经陷入一个非常尴尬的境地：如果 AI 的特征工程、机器学习和超参数调优这些技能早已能表现得比数据分析人员更强，甚至成本还要更低，那么为什么还需要那么多数据分析岗呢？抱着这样的心态我也尝试开始进了这个比赛玩玩，尽管自己其实并不擅长打比赛，但是还是想凑个热闹。

比赛的关键点

这个比赛简单来说就是需要自己写一堆 Skills 或者 Harness 工程，然后提交后 Kaggle 将自动接入可选的 Google Gemini-3.1 或者 3.5 ，并注入 Prompt 来让其应对多个数据分析当中，机器学习二分类的问题。听起来比赛其实很简单，但是关键其实就是：

• max_time_minutes: Total session timeout: 60 minutes

• max_submissions: Maximum number of submit_predictions calls: 30 submissions
• max_budget_usd: Maximum LLM token spend allowed: $2.00

也就是说，时间和预算是卡着的，尤其是 token 预算，哪怕是最简单的 gemini-3.1-flash-lite 纯粹输出也就 8 kw 的 tokens，对于写代码而言属实比较紧张。可以说整个比赛真正的竞赛点就是预算。（不过不得不说，2 美元相比聘请一个 Data Analyst 还是便宜多了）或许这也是未来的一个方向：我们不仅仅需要最强悍的模型，也需要能将知识浓缩并低成本解决一类问题的人或者模型。目前来看，节省成本的方式主要有几种：

• 减少 LLM 真正写代码的地方：即在 Skills 当中就包含脚本代码，不需要让 LLM 自己写长篇代码，大语言模型生成的代码是导致系统故障、不可预测性以及资源浪费的最主要原因。使用固定的脚本接口，可以确保代码的可重复。
• 尽量不要使用 Multi-Agent，也就是不需要创建 subagent ，避免 token 翻倍而没有多做什么事情。
• 并行执行各个脚本，然后让 Agent 一次性读多个脚本的结果。

Hermes Agent 自己比赛自己打

我产生了一个想法就是让 Agent 自己比赛自己打，为此我搭建了一个 Hermes Agent 并且用 Deepseek V4 Pro 来作为基础模型：

可以发现其实现在 Hermes Agent 还是可以用的，尤其是这个比赛其实并不是很在乎本地的运行性能，只需要让 Agent 解决一下 Prompt 和 Skills 的问题，那么在这种情况下，实际上只需要人为指引方向让 Agent 干活即可。不过微信聊天框感觉还是有点不太安心。