数据科学工作流复杂且环节众多，大语言模型智能体虽能自动完成部分任务，但整体表现往往受制于隐藏在背后的框架设计。DS-Lighting提出将这种智能体框架显式化，让模型对工具调用、执行步骤和中间结果的控制更加透明可控。通过显式定义任务分解、工具选择与结果验证等环节，它帮助智能体更可靠地处理数据分析、建模等流程。这项工作值得关注，因为它揭示了自动化数据科学中一个常被忽视的关键因素——框架本身，而非仅仅依赖模型能力。显式化不仅有助于提升端到端性能，也为人类审查和干预提供了接口，增强了可解释性与可信度。在AI自动化日益普及的背景下，这种对基础设施的反思与重构，为后续研究提供了新思路。