基于工具增强证据的多智能体协作推理用于城市区域画像

城市区域画像是城市计算的核心问题。现有方法多为相关性驱动且依赖静态流程，鲁棒性受限。本文提出 UrbanAgent，将该任务重构为推理驱动问题。框架为每种数据模态实例化独立智能体，通过结构化多智能体协作推理显式处理跨模态不一致。此外，UrbanAgent 将指标预测扩展为主动证据获取与迭代推理的闭环过程，利用强化学习优化的工具增强检索验证不确定推断。实验表明，该方法在多个全球数据集上显著优于基线，具备强泛化能力。