CastFlow：角色分工智能体框架连接证据获取与精准时间序列预测
原始标题 / CastFlow: Bridging Evidence Acquisition and Accurate Prediction in Agentic Time Series Forecasting
CastFlow 针对基于 LLM 的智能体时间序列预测中两个关键挑战——通过自适应工具交互获取预测相关证据，以及将证据转化为准确数值预测——提出角色分工框架：由冻结 LLM 借助经验记忆编排多视图工具包获取证据，再由专用轻量 LLM 进行证据驱动的时序推理以修正集成预测先验，并采用监督微调与可验证奖励强化学习两阶段训练。
01 摘要
事实：CastFlow 是一个角色分工的智能体预测框架，包含经验记忆引导的工具获取与专用 LLM 的证据推理，并在十个真实基准中的九个上优于竞争基线。作者观点：连接自主证据获取与专用时序推理对准确且自适应的智能体预测具有重要意义。
02 关键点
- 提出角色分工框架：冻结 LLM 负责编排多视图工具包获取证据，轻量专用 LLM 负责证据驱动的时序推理并修正集成预测先验。
- 引入经验记忆，从训练数据中提炼成功的工具使用轨迹，以引导冻结 LLM 的工具交互。
- 设计两阶段训练策略，结合监督微调与可验证奖励强化学习，以整体预测结果指导专用模型优化。
回到一手来源
阅读原文 ↗AI GENERATED SUMMARY / DISCOVERED BY ARXIV CS.LG