综述 | 面向时间序列的大模型智能体：任务体系、设计模式与未来方向

近年来，大语言模型智能体正在从通用问答、代码生成和网页操作，进入更强调连续观测、数值约束和闭环决策的时间序列场景。时间序列任务并不只是“把一段数据交给模型预测下一步”，它往往涉及数据诊断、模式检索、工具调用、候选方案比较、历史经验记忆、外部事件对齐以及在线反馈修正。 本文整理 arXiv 综述论文 LLM Agents for Time-Series: A Survey。论文由 Northwestern University、Datadog AI Research 与 Nokia 的研究者撰写，系统梳理了 47 个面向时间序列问题的大模型智能体系统。与按“规划、工具、记忆”等通用能力来分类不同，作者采用问题驱动视角，将现有工作归为预测与推理、增强与合成、异常检测与诊断、决策支持四类，并进一步分析不同任务如何塑造智能体架构、工具使用和记忆设计。

导读

这篇综述的核心价值在于，它把“时间序列 + 大模型智能体”从一个泛化概念拆成了可落地的系统设计问题。时间序列本身具有非平稳、噪声、缺失、周期性、多变量耦合、长短期依赖和流式更新等特征；智能体系统则强调规划、行动、工具调用、记忆和反馈。二者结合后，关键不再只是模型能否读懂曲线，而是能否在多步骤流程中持续收集证据、调用专业工具、维护可追溯记忆，并根据任务约束生成可验证输出。 论文给出三个贯穿全文的分析维度：架构、工具和记忆。架构回答“一个智能体做完，还是多个智能体分工/竞争/混合协作”；工具回答“哪些外部计算、检索、数据库、模拟器或优化器应被纳入流程”；记忆回答“中间证据、历史模式、分析策略和失败经验如何保存并复用”。在时间序列场景中，这三者往往比单个基础模型更能决定系统可靠性。 从任务侧看，论文将时间序列智能体分为四大类。预测与推理强调数值证据和上下文证据；增强与合成强调语义保持、文本控制与领域约束；异常检测与诊断强调可靠告警、证据质量和人机协同；交易、交通、电网等决策支持任务则强调可执行动作、风险偏好和闭环环境。 本文适合三类读者：一是关注大模型智能体系统设计的研究者，二是做时间序列预测、异常检测、金融/交通/能源决策的工程团队，三是希望理解“智能体能否真正改善时间序列分析”的读者。结论上，论文并不把 LLM 视为替代所有时间序列模型的万能预测器，而是强调它更适合作为工作流控制器、证据组织者、工具协调者和可解释决策组件。

1 Introduction | 引言

时间序列分析广泛存在于金融、交通、能源、气候、工业监控和医疗等场景。传统方法包括 ARIMA、ARCH/GARCH、HMM、LOF 等统计或经典机器学习模型，深度学习时代又出现了 LSTM、TCN、DeepAR、Transformer、PatchTST、TimesNet 等模型。这些方法在数值建模上非常重要，但在真实系统中仍然高度依赖专家来设计流程、选择特征、解释结果和处理异常情况。 大语言模型带来的变化是：它们不仅能作为文本接口，还可以作为智能体参与多步工作流。一个面向时间序列的 LLM Agent 通常要观察输入数据、选择分析步骤、调用工具、维护记忆、修正假设，并在必要时协调多个子智能体。对时间序列任务而言，这一点尤其重要，因为许多应用都不是静态预测，而是持续面对新观测、分布漂移、外部事件和行动反馈。 论文强调，现有时间序列 LLM 综述通常按模型能力或方法组件组织，例如提示、表征、对齐、预测、推理等；通用智能体综述则很少深入讨论时间序列特有问题，如流式输入、时间依赖、非平稳性、外部事件对齐和动作-数据耦合。因此，本综述选择以任务为主线：先定义时间序列智能体，再观察不同任务中的架构、工具和记忆设计。 作者的工作对象不是“所有使用 LLM 的时间序列系统”，而是有明确智能体特征的系统：LLM 至少要做出一个会改变多步时间序列流程的决策，例如选择工具、更新记忆、修正假设、协调阶段或产生可执行动作。单次提示、静态编码器、事后解释器，以及没有时间序列约束的通用智能体不属于主要范围。

2 Background and Foundations | 背景与基础

论文首先界定时间序列数据的基本形式。时间序列可以来自连续时间过程，但实际系统通常处理离散观测或 token 化索引。每个时间点可能包含多个通道、协变量或空间传感器信息。对于不规则、噪声大或缺失严重的数据，系统往往需要构造历史摘要来表示当前上下文。 时间序列建模的目标并不只有预测。它可以产生未来数值、异常分数、表示向量、解释摘要、控制动作或决策建议。统计模型通常显式编码依赖、平稳性、潜在状态和不确定性假设；深度模型更擅长从大规模数据中学习复杂模式；LLM 相关方法则尝试把数值序列转为语言、多模态或工具可处理的形式，让语言模型参与推理和解释。 但论文提醒，单独的 LLM 时间序列模型通常并不会主动选择工作流、调用工具、更新记忆或根据中间反馈修正假设。智能体系统的关键在于从“单次推理”走向“观察-行动-更新”的闭环。这个闭环既可以由一个智能体完成，也可以由多个具有不同角色的智能体协作完成。

3 Fundamental Design Dimensions | 三个基础设计维度

架构

论文把时间序列智能体架构分为单智能体和多智能体两大类。单智能体系统由一个 LLM 负责计划、工具调用、记忆维护和输出生成，优点是流程紧凑、实现成本低，适合任务边界清楚、工具链较短的场景。但当任务同时涉及数据清洗、模型选择、外部检索、解释、验证和决策时，单智能体容易出现上下文拥塞和职责混杂。 多智能体系统进一步分为合作式、竞争式和混合式。合作式系统把任务拆给互补角色，例如数据处理者、预测者、验证者、解释者、决策者；竞争式系统让多个智能体或候选方案生成不同假设，再通过评分、投票、辩论或裁判进行选择；混合式系统则在一个流程中同时包含角色分工和候选比较。对时间序列而言，竞争式架构常用于应对不同时间尺度、外部因素或模型假设之间的不确定性。

工具

时间序列智能体中的工具并不是附属功能，而是系统可靠性的基础。论文归纳了几类常见工具：数据库接口用于访问结构化观测和历史数据；检索接口用于查找相似片段、外部新闻、领域知识或历史案例；数据处理工具用于清洗、插值、分解、归一化和特征构造；统计与机器学习模型用于预测、异常检测、聚类、回归或不确定性估计；模拟器、求解器和优化器则用于交通、电网、交易等闭环控制场景。 这一设计思路很务实：LLM 不必替代专业时间序列模型，而是可以负责“何时调用什么工具、如何解释工具结果、如何把工具输出放回任务上下文”。在真实系统中，工具输出还提供了可审计证据，能够降低纯语言推理带来的幻觉风险。

记忆

时间序列智能体的记忆主要承担三类作用。第一类是证据日志，记录中间预测、检索片段、工具输出、候选动作、验证结果和失败原因，使系统输出具备可追溯性。第二类是模式库，保存历史案例、典型形态、相似序列片段、领域规则或策略模板，便于后续检索复用。第三类是分析策略记忆，保存过去有效或失败的分析路径，帮助智能体在长期运行中更新工作流。 时间序列任务特别依赖记忆，因为许多结论只有在比较历史模式、局部片段和外部事件后才成立。例如金融交易中的风险偏好、工业诊断中的故障案例、交通控制中的突发拥堵模式，都不是单个窗口内可以完整表达的。

4 Taxonomy | 任务分类体系

论文的核心贡献是问题驱动分类体系。作者认为，读者在实践中更关心“某类时间序列问题应该选择什么智能体设计”，而不是孤立讨论规划、工具或记忆。基于此，论文将 47 个代表性系统划分为四大类，并在每类内部讨论架构、工具和记忆如何服务任务需求。

预测与推理

预测与推理共享一个要求：输出不能只是语言上合理，还必须由明确的数值证据或上下文证据支撑。固定上下文窗口或粗粒度摘要通常不够，因为正确结论可能依赖局部时序模式、历史类比、可复用原型，或与新闻、天气、政策、市场事件等外部信息的对齐。 在时间序列预测中，智能体系统通常围绕多阶段流程和竞争假设展开。多阶段流程可能包括数据诊断、预处理、模型选择、上下文分析、预测生成、验证和校准。竞争假设则让不同智能体或候选策略关注不同信号、时间尺度或外生因素，再根据误差反馈或验证结果进行选择。相关代表系统包括 TimeSeriesScientist、TimeXL、TimeCAP、NewsTSForecasting、TRACE、FLAIRR-TS、Nexus 和 CastFlow 等。 时间序列推理则更强调解释、问答或分类，而不一定直接预测未来数值。关键挑战是领域知识、数值支持和多步推理可靠性。论文提到，许多系统会把规划和计算分离：主智能体负责协调任务，数值计算交给专业工具或子智能体。Agentic-RAG、TS-Agent、TS-Reasoner、ZARA、CLIMATEAGENT 和 FETA 等工作体现了检索、工具、领域知识和验证机制在推理中的作用。

增强与合成

增强与合成都是构造额外时间序列数据，但关注点不同。增强通常围绕目标序列生成扰动或文本注释，核心问题是保持任务相关语义；合成则从文本描述、场景条件或领域规则出发生成新序列，核心问题是文本控制和约束一致性。 在数值增强中，系统不能只生成“看起来像”的序列，还要保持趋势、周期、局部形状、变量相关性和下游标签语义。否则增强数据可能提高表面多样性，却破坏真正有用的判别结构。文本增强则要求智能体理解领域注释，把传感器、行为、事件或状态变化转化为可训练、可检索或可解释的文本表示。 在合成任务中，LLM 常扮演解析器、条件生成协调者或质量门控者。它需要将用户给出的场景描述转为结构化控制条件，再调用生成模型或领域工具产生序列，并检查输出是否满足物理、统计或业务约束。代表工作包括 TESSA、DCATS、MERIT、ChatTS、BRIDGE 和 GenAI4RiskModeling 等。

异常检测与诊断

异常检测关心“是否异常、何时异常”，诊断进一步关心“为什么异常、哪里异常、如何处理”。论文指出，这一类任务的难点不只是提高告警分数，而是保证证据质量、避免引入比基础检测器更差的结果，并支持持续监控中的更新与反馈。 在异常检测中，智能体通常需要整合原始序列、摘要统计、学习特征、检索片段和规则输出。可靠系统会把这些证据纳入提示或下游模块，而不是让 LLM 仅凭曲线描述判断异常。AD-AGENT、ARGOS、CALM、SLEP、SAGE 等工作展示了证据增强、检测器协同、审查智能体和反馈修正的不同路线。 诊断任务更接近真实运维和工业场景。一个系统可能先发现告警，再定位原因，随后提出缓解动作并把人类反馈写入流程。这里的智能体不仅要输出解释，还要将解释和传感器、日志、历史故障、规则库、控制动作相连。论文强调，人机协同在诊断中很重要，因为许多根因判断依赖领域知识和现场上下文。

决策支持

决策支持与预测、诊断不同，输出是可执行动作、计划或资源分配，而不是描述性判断。动作必须落在预定义动作空间中，并满足领域约束。论文主要讨论交易、交通控制和电网控制三个方向。 交易智能体需要处理新闻、财报、社交媒体、收益电话会、技术指标、价格序列和风险偏好。单个智能体很容易被异构证据淹没，因此多智能体分工常见：不同分析师处理不同信息源，经理智能体汇总策略，回测智能体检查历史表现。代表系统包括 ElliottAgents、TradingAgents、FinCon、FinAgent、FactorMAD、FinMem、FinRL-DeepSeek、ATLAS 等。 交通和电网控制则更强调闭环环境。智能体面对的是状态、动作、约束和奖励，而不是一次性答案。交通控制需要在事故、拥堵和信号相位之间作出实时决策；电网控制需要考虑安全约束、稳定性、成本和扰动。此时模拟器、求解器和优化器比普通文本检索更关键，LLM 的价值在于解释状态、选择策略、协调工具并处理异常场景。

5 Resources | 数据、基准与工具资源

论文进一步整理了实现和评估时间序列智能体的资源，分为数据集与仓库、基准、交互环境和工具包。 数据集与仓库提供训练和离线评估所需的原始观测。预测方向常见资源包括 Electricity、METR-LA、ETT、M4、M5、Monash TSF 等；异常检测方向包括 SWaT、SMAP/MSL、Yahoo、NAB、TSB-UAD 等；交通和能源方向还涉及带空间结构和控制约束的数据。 基准用于让不同方法在可比任务和指标下评估。预测任务常使用 MAE、MSE、RMSE、MAPE、SMAPE 等指标；分类和推理任务使用准确率、F1、Macro-F1；异常检测还会使用 point-wise F1、event-level F1、AUC、AUPR 等；交易任务关注累计收益、夏普比率、最大回撤、波动率和换手率；交通控制任务则常用平均通行时间、等待时间、排队长度等闭环指标。 交互环境对智能体尤其重要。预测或异常检测可以离线评估，但交易、交通、电网等任务必须检验智能体在状态变化、动作反馈和约束冲突中的表现。论文也强调，不同论文报告的成绩并不总是天然可比，因为时间窗口、数据切分、异常点调整规则、交易成本假设、模拟器配置都会影响结果。

6 Future Work | 未来方向

论文最后提出四个开放方向。

数值理解与领域知识

LLM 对数值信号和专业领域知识的理解仍然有限。即使引入外部工具，智能体仍要正确解释工具输出，并将其与领域机制相连接。未来系统需要更强的数值-语言对齐、更可靠的单位/尺度处理，以及面向金融、交通、能源、气候等领域的知识约束。

因果与反事实推理

许多时间序列智能体仍主要依赖相关性，而诊断和决策支持需要回答干预、延迟效应和反事实结果。如果系统无法区分相关、因果和共同驱动因素，就容易生成看似合理但不可执行的解释。未来研究需要将因果发现、结构假设、反事实模拟和智能体工具链结合起来。

在线适应与持续改进

异常检测、交易、交通和电网控制都不是一次性任务。真实系统会遇到分布漂移、新模式、反馈延迟和失败积累。未来智能体需要在部署后持续学习：记录失败、更新模式库、调整策略、校准风险，并保证这种更新不会破坏系统稳定性。

评估与可靠性

时间序列智能体的评估不能只看最终分数。论文主张同时检查中间证据、工具调用、记忆更新、约束满足和失败模式。一个预测更准但无法解释证据来源的系统，未必适合高风险应用；一个能给出漂亮解释但没有与数值证据对齐的系统，也可能在关键场景中误导决策。

结语

这篇综述的一个重要判断是：时间序列大模型智能体的竞争力，通常来自“强时间序列模型 + 可验证工具 + 任务化工作流 + 可追溯记忆”的组合，而不是让 LLM 单独替代所有专业模型。 对研究者而言，未来值得关注的是更细粒度的任务基准、可复现的智能体评估、面向流式数据的在线记忆，以及因果/反事实能力。对工程团队而言，更现实的路线是把 LLM 放在流程编排、证据组织、异常解释、工具协调和人机交互的位置上，让它成为时间序列系统中的“分析控制层”，而不是孤立的预测器。 原论文：LLM Agents for Time-Series: A Survey 论文链接：https://arxiv.org/abs/2608.26226