UrbanDS: A Graph-Guided LLM Multi-Agent System for Data-Intensive Urban Tasks
该论文提出了 UrbanDS，一种图引导的 LLM 多智能体系统，该系统通过构建统一的数据集图来组织技能与关系，以进行数据的检索与处理，从而有效地解决了数据密集型城市任务带来的挑战，并在基准评估和实际部署中均优于现有方法。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一个计算机变得非常擅长与我们交流、理解我们的问题，甚至能编写代码来解决问题的世界。这些聪明的计算机被称为大语言模型（LLM），它们就像超级强大的助手。但有一个问题：虽然它们很擅长聊天，但在处理真正的科学数据工作时却经常感到吃力，尤其是当数据变得杂乱无章、规模巨大且分散各处时。这就像是要求一位才华横溢的图书管理员去寻找一个特定的事实，但你扔给她的不是一座整洁的图书馆，而是一个巨大的仓库，里面随机堆放着数百万个箱子，而你也不知道哪个箱子里装着答案。这位图书管理员可能知道“如何阅读”，但如果没有地图，她就找不到那本正确的书。这就是研究人员试图解决的大问题：我们如何教会这些人工智能助手不仅是回答问题，而是真正从混乱的数据海洋中搜寻到正确的信息，弄清楚不同部分是如何相互关联的，然后进行数学计算以给我们一个真实的答案？
于是，UrbanDS 应运而生，这是一个旨在成为解决城市相关问题之终极“数据侦探”的聪明新系统。开发这个项目的研究人员意识到，城市数据是一种特殊的“混乱”。它来自各处——交通传感器、人口记录、地图和商业日志——而且这些碎片之间以复杂的方式相互连接（例如，一条道路的位置与居住在附近的居民之间的关系）。现有的 AI 工具通常会在这里失败，因为它们期望数据是被端端正正地呈现在面前的。UrbanDS 改变了游戏规则，它像是一个协同工作的专业化智能体团队。首先，它们构建了一张巨大的、动态的“地图”（图谱）。一组智能体负责检查每一个文件，阅读它们，并为每个文件写一份“简历”，描述其内容以及它如何与其他文件连接。另一组智能体则在这些简历之间画线，以展示哪些数据碎片在时间、空间或语义上是邻近的。
当人类提出一个问题，比如“现在学校附近的交通拥堵发生在哪些地方？”时，一个“规划者（Planner）”智能体会查看这张地图。它不会靠猜测，而是沿着线条寻找所需的精确交通和学校数据。接着，一组“执行（Execution）”智能体会编写并运行代码来处理数据，就像一群朋友在做小组项目一样分享彼此的进度。最后，一个“报告者（Reporter）”智能体会总结研究结果。该团队在一个名为 UrbanDS-Bench 的大规模挑战赛上测试了这个系统，该挑战赛包含了来自中国 10 个主要城市的 94 个数据集和近 500 个不同的任务。结果令人印象深刻：UrbanDS 在解决这些艰巨的数据搜寻谜题方面明显优于其他顶尖 AI 工具，其正确率约为 70%，而排名第二的工具为 63%。他们甚至在武汉进行了实地测试，帮助城市规划者分析实际的市政数据，证明了这种“地图引导”的方法不仅在实验室里有效，在真实的城市街道上也同样行之有效。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。