像专家一样检测时间序列异常：多智能体LLM框架与专用分析器

近期研究探索了大型语言模型用于时间序列异常检测，但现有方法往往依赖单一通用模型直接推断异常索引或区间，限制了对复杂异常模式的可控性、可解释性和可靠性。我们提出SAGE（Specialized Analyzer Group for Expert-like Detection），一个用于结构化异常诊断的多智能体框架，针对单变量时间序列进行异常分析。它将异常分析分解为四个专用分析器，用于检测点异常、结构异常、季节性异常和模式异常。每个分析器应用特定于家庭的定量工具和诊断可视化，以生成证据，而一个基于证据的检测器则将证据整合为带有区间和候选类型的置信评分异常记录。随后，一个监督者将这些结构化记录转换为面向分析师的诊断报告。SAGE进一步从正常参考训练片段中构建合成的情境示例，而不使用真实异常片段或异常类型标签。对于三个基准，SAGE在强大的机器学习/深度学习和语言模型基线中实现了最佳平均性能。消融研究和人类评估进一步表明，所提框架提高了检测的可靠性和诊断输出的实际实用性。