🤖 AI

UrbanDS: A Graph-Guided LLM Multi-Agent System for Data-Intensive Urban Tasks

O artigo propõe o UrbanDS, um sistema multiagente de LLM guiado por grafos que constrói um grafo de conjunto de dados unificado para organizar habilidades e relacionamentos para recuperação e processamento de dados, o qual aborda efetivamente os desafios das tarefas urbanas intensivas em dados e supera os métodos existentes tanto em avaliações de benchmark quanto em implantação no mundo real.

Autores originais: Zhilun Zhou, Jianghao Yu, Yuming Lin, yongjun yang, Sun Yongquan, Depeng Jin, Yong Li

Publicado 2026-07-30

📖 3 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Zhilun Zhou, Jianghao Yu, Yuming Lin, yongjun yang, Sun Yongquan, Depeng Jin, Yong Li

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um mundo onde os computadores estão ficando muito bons em conversar conosco, entendendo nossas perguntas e até escrevendo código para resolver problemas. Esses computadores inteligentes são chamados de Grandes Modelos de Linguagem (LLMs) e agem como assistentes superpoderosos. Mas há um porém: embora sejam ótimos em conversar, eles frequentemente têm dificuldade quando solicitados a realizar trabalhos reais de ciência de dados, especialmente quando os dados são bagunçados, enormes e espalhados por toda parte. Pense nisso como pedir a um bibliotecário brilhante para encontrar um fato específico, mas em vez de uma biblioteca organizada, você o joga em um armazém gigante onde milhões de caixas estão empilhadas aleatoriamente e você não sabe qual caixa contém a resposta. O bibliotecário pode saber como ler, mas não consegue encontrar o livro certo sem um mapa. Este é o grande problema que os pesquisadores estão tentando resolver: como ensinar esses assistentes de IA não apenas a responder perguntas, mas a realmente caçar a informação certa em um oceano caótico de dados, entender como as diferentes partes se encaixam e, então, fazer os cálculos para nos dar uma resposta real?

Apresentamos o UrbanDS, um novo sistema inteligente projetado para ser o "detetive de dados" definitivo para problemas relacionados a cidades. Os pesquisadores por trás deste projeto perceberam que os dados urbanos são um tipo especial de bagunça. Eles vêm de todos os lugares — sensores de tráfego, registros populacionais, mapas e registros comerciais — e todas essas peças estão conectadas de maneiras complexas (como a forma como a localização de uma estrada se relaciona com as pessoas que vivem nas proximidades). As ferramentas de IA existentes geralmente falham aqui porque esperam que os dados lhes sejam entregues em uma bandeja de prata. O UrbanDS muda o jogo ao agir como uma equipe de agentes especializados trabalhando juntos. Primeiro, eles constroem um "mapa" gigante e vivo (um grafo) de todos os dados. Uma equipe de agentes percorre cada arquivo, lê-o e escreve um "currículo" para ele, descrevendo o que há dentro e como ele se conecta a outros arquivos. Outra equipe desenha linhas entre esses currículos para mostrar quais peças de dados são vizinhas no tempo, no espaço ou no significado.

Quando um humano faz uma pergunta, como "Onde estão ocorrendo os congestionamentos perto de escolas agora?", um agente "Planejador" olha para este mapa. Em vez de adivinhar, ele segue as linhas para encontrar exatamente os dados de tráfego e de escolas de que precisa. Então, uma equipe de agentes de "Execução" escreve e executa o código para processar os números, compartilhando seu progresso como um grupo de amigos trabalhando em um projeto de grupo. Finalmente, um agente "Relator" redige as descobertas. A equipe testou este sistema em um desafio massivo chamado UrbanDS-Bench, que incluiu 94 conjuntos de dados de 10 grandes cidades chinesas e quase 500 tarefas diferentes. Os resultados foram impressionantes: o UrbanDS resolveu esses enigmas difsíceis de busca de dados significativamente melhor do que outras ferramentas de IA de ponta, acertando cerca de 70% das respostas em comparação com os 63% da próxima melhor ferramenta. Eles até testaram o sistema no mundo real em Wuhan, onde ajudou planejadores urbanos a analisar dados municipais reais, provando que essa abordagem "guiada por mapa" funciona não apenas em um laboratório, mas nas ruas de uma cidade real.

Resumo Técnico: UrbanDS

Declaração do Problema

Agentes de Grandes Modelos de Linguagem (LLM) têm mostrado promessa na automação de fluxos de trabalho de ciência de dados, mas os métodos existentes enfrentam limitações significativas em cenários intensivos em dados. As abordagens atuais geralmente dependem de um conjunto limitado de conjuntos de dados fornecidos diretamente com uma tarefa. No entanto, aplicações do mundo real, particularmente na computação urbana, envolvem repositórios de grande escala e heterogêneos contendo milhares de arquivos através de diversos domínios (ex: mobilidade, transporte, uso do solo, economia).

O desafio central é duplo:

Descoberta de Conjuntos de Dados: Os agentes devem identificar conjuntos de dados relevantes de um pool massivo onde os nomes dos arquivos são frequentemente ambíguos ou anonimizados, e a maior parte dos dados é irrelevante para a consulta específica.
Integração Complexa: Conjuntos de dados urbanos exibem relações espaciais, temporais e semânticas intrincadas. Os agentes não devem apenas encontrar os dados, mas também entender como unir e integrar essas fontes heterogêneas (ex: correspondência de um region_id em um conjunto de dados de população com um id em um conjunto de dados de limites geográficos) para realizar análises subsequentes.

Benchmarks existentes frequentemente fornecem os conjuntos de dados necessários antecipadamente, falhando em avaliar a capacidade de um agente de descobrir e conectar fontes de dados dentro de um repositório ruidoso e de grande escala.

Metodologia: Estrutura UrbanDS

Para enfrentar esses desafios, os autores propõem o UrbanDS, um sistema multi-agente guiado por grafos e LLM, projetado especificamente para tarefas urbanas intensivas em dados. O sistema opera em duas etapas distintas: Construção do Grafo de Conjuntos de Dados e Execução da Tarefa.

1. Construção do Grafo de Conjuntos de Dados

Antes que qualquer tarefa específica seja executada, o UrbanDS organiza o repositório de dados brutos em um grafo de conhecimento estruturado ( $G = (V, E)$ ) para evitar o custo de inspecionar cada arquivo para cada consulta.

Agente de Perfilamento de Dados (Data Profiling Agent): Este agente explora cada conjunto de dados uma única vez usando código Python para gerar uma Habilidade de Conjunto de Dados (Dataset Skill) reutilizável. Esta habilidade resume o conteúdo do conjunto de dados, esquema, estatísticas, cobertura espaço-temporal e instruções de uso.
Agente de Relação (Relation Agent): Este agente identifica relações entre conjuntos de dados para formar as arestas do grafo ( $E$ $E$ ). Ele modela três tipos de relações:
- Relações Espaciais e Temporais: Determinadas pela sobreposição de cobertura geográfica e intervalos de tempo encontrados nas habilidades dos conjuntos de dados.
- Relações Semânticas: Identificadas via um Livro de Códigos Semânticos (Semantic Codebook). O sistema constrói um livro de códigos incremental de identificadores de entidades (ex: IDs de região) enquanto realiza o perfilamento. Um Agente de Relação então verifica conexões entre campos atribuídos ao mesmo código, determinando se eles podem ser unidos apesar de possuírem nomes de campos diferentes.
Resultado: Um grafo de conjuntos de dados onde os nós representam conjuntos de dados (com suas habilidades) e as arestas representam conexões espaciais, temporais ou semânticas.

2. Execução da Tarefa

Quando uma consulta de usuário é recebida, o sistema executa o seguinte fluxo de trabalho:

Agente de Planejamento (Planner Agent): Recupera conjuntos de dados relevantes do grafo. Ele emprega uma estratégia de recuperação progressiva:
1. Primeiro, revisa nomes e descrições curtas para selecionar candidatos promissores.
2. Em seguida, lê as Habilidades de Conjunto de Dados (Dataset Skills) completas dos candidatos.
3. Traça as arestas do grafo para descobrir conjuntos de dados vizinhos que possam ser relevantes, verificando cada escolha contra sua habilidade antes de finalizar um Plano de Análise.
Agentes de Execução (Execution Agents): Múltiplos agentes executam colaborativamente o plano. Cada agente lida com uma subtarefa específica escrevendo e rodando código. Eles compartilham uma memória comum contendo o progresso da execução, resultados intermediários e logs, permitindo que agentes subsequentes reutilizem saídas sem recomputação. Se o plano inicial carecer de dados suficientes, os agentes podem recuperar conjuntos de dados adicionais do grafo.
Agentes de Relatório e Revisão (Report & Revision Agents): Um Agente de Relatório sintetiza os logs experimentais em um relatório final. Um Agente de Revisão permite o refinamento iterativo baseado no feedback do usuário, atualizando o relatório ou artefatos sem reiniciar toda a tarefa.

Principais Contribuições

Sistema UrbanDS: A proposta de um sistema multi-agente que organiza grandes conjuntos de dados urbanos em um grafo de habilidades e relações reutilizáveis, permitindo descoberta automática de conjuntos de dados, planejamento, execução e relatórios.
UrbanDS-Bench: A construção de um benchmark abrangente para ciência de dados urbana. Inclui:
- 94 conjuntos de dados de 10 grandes cidades chinesas (cobrindo dados geoespaciais, de mobilidade e socioeconômicos).
- 450 tarefas de análise de dados (espaciais, temporais e espaço-temporais) e 8 tarefas de modelagem de dados.
- Um pool de dados "plano" onde os conjuntos de dados são anonimizados, forçando os agentes a depender da inspeção de conteúdo em vez de nomes de arquivos.
Validação Empírica: Experimentos extensos demonstrando que o UrbanDS supera agentes de ciência de dados existentes e agentes de codificação geral em cenários intensivos em dados.
Implantação no Mundo Real: Implantação bem-sucedida na plataforma de operações urbanas do Distrito de Dongxihu, Wuhan, suportando análises práticas sobre dados municipais reais.

Resultados Experimentais

Os autores avaliaram o UrbanDS contra baselines incluindo DS-Agent, Data Interpreter, DeepAnalyze, AutoGen e Claude Code tanto no UrbanDS-Bench quanto no CoDA-Bench.

Desempenho no UrbanDS-Bench: O UrbanDS alcançou uma precisão geral de 70,0%, superando o baseline mais forte (Claude Code, 62,9%) em 11,2%. Ele liderou em todas as categorias de raciocínio: Espacial (65,7%), Temporal (83,6%) e Espaço-Temporal (73,9%).
Desempenho no CoDA-Bench: O UrbanDS alcançou 46,2% de precisão, uma melhoria de 10,0% sobre o Claude Code, demonstrando eficácia em tarefas gerais de descoberta de dados.
Modelagem de Dados: O UrbanDS obte de melhores resultados em todas as oito tarefas de modelagem de dados. Notavelmente, para previsão de check-in de POI, alcançou um $R^2$ de 0,464, enquanto todos os baselines produziram valores de $R^2$ negativos, indicando sua capacidade superior de alavancar conjuntos de dados auxiliares para construção de modelos.
Estudo de Ablação: Remover as Relações de Conjuntos de Dados (Dataset Relations) reduziu a precisão geral em média 13,3%, destacando a importância da descoberta guiada por grafos. Remover as Habilidades de Conjuntos de Dados (Dataset Skills) causou uma queda maior (média de 20,6%), particularmente em tarefas espaço-temporais, confirmando que o conhecimento estruturado do conteúdo dos dados é crítico para a integração correta.
Escalabilidade: O desempenho de todos os métodos declinou conforme o número de conjuntos de dados necessários aumentava (tarefas exigindo 4 ou mais conjuntos de dados viram a precisão cair abaixo de 53% para todos os métodos), embora o UrbanDS tenha mantido o maior desempenho relativo.

Significância e Alegações

O artigo afirma que o UrbanDS aborda uma lacuna crítica na pesquisa atual de agentes de LLM: a capacidade de operar em ambientes intensivos em dados, onde o gargalo principal não é a geração de código, mas a descoberta e integração de dados.

Além de Inputs Pré-definidos: Ao contrário de benchmarks anteriores que fornecem os conjuntos de dados necessários, o UrbanDS-Bench avalia a capacidade do agente de navegar em um repositório grande e heterogêneo para encontrar a "agulha no palheiro".
Eficiência Guiada por Grafo: O sistema demonstra que pré-organizar os dados em um grafo de habilidades e relações reduz significativamente a carga da janela de contexto nos LLMs e melhora a precisão da seleção de conjuntos de dados.
Utilidade Prática: A implantação em Wuhan e o estudo de usuário (mostrando uma aceleração de 5,6x no tempo de análise) sugerem que o sistema não é apenas uma melhoria teórica, mas uma ferramenta viável para acelerar a análise de dados urbanos do mundo real.
Limitações: Os autores observam modestamente que o sistema atualmente foca na execução de solicitações especificadas pelo usuário. Ele ainda não possui a capacidade de explorar ativamente repositórios sem perguntas predefinidas ou de propor novas hipóteses de pesquisa a partir de padrões de dados. Trabalhos futuros visam estender o sistema para essas capacidades mais abertas.