TimeClaw：一种具有探索性执行学习时间序列 AI 智能体

时间序列分析需兼顾数值精度与上下文推理。现有基于大语言模型的系统多聚焦单次执行，缺乏从探索中学习的能力，易导致工具偏好坍塌。本文提出 TimeClaw 框架，通过“探索、比较、提炼、重注入”四阶段循环，将探索性执行转化为可复用的分层经验。该方法结合指标监督学习与任务感知工具丢弃机制，在冻结基座模型前提下显著提升金融与气象预测等任务表现，证明了经验提炼与复用对科学系统的关键作用。