基于文本梯度下降的多智能体天气标题生成优化：一种无需训练的共识感知梯度融合方法
计算与语言
2026-03-24 v1
摘要
从天气时间序列数据生成可解释的自然语言标题仍是气象学与自然语言处理交叉领域的重大挑战。尽管最近的大型语言模型 (LLM) 在时间序列预测和分析方面展现出惊人的能力，但现有方法要么产生没有人类可访问解释的数值预测，要么生成缺乏领域特定深度的通用描述。我们引入 WeatherTGD，一个无需训练的多智能体框架，通过文本梯度下降 (TGD) 的视角重新解释协作式标题细化。我们的系统部署三个专业 LLM 智能体，包括统计分析师、物理解释器和气象学专家，从天气时间序列观察中生成领域特定的文本梯度。这些梯度通过一种新颖的共识感知梯度融合机制进行聚合，该机制在保留独特领域视角的同时提取共同信号。融合后的梯度然后指导一个类似梯度下降的迭代细化过程，其中每个 LLM 生成的反馈信号都会更新标题，使其趋向最优解。在真实世界气象数据集上的实验表明，WeatherTGD 在 LLM 基于评估和人类专家评估方面均实现了显著的改进，显著优于现有的多智能体基线方法，同时通过并行智能体执行保持了计算效率。
引用
@article{arxiv.2603.21673,
title = {Optimizing Multi-Agent Weather Captioning via Text Gradient Descent: A Training-Free Approach with Consensus-Aware Gradient Fusion},
author = {Shixu Liu},
journal= {arXiv preprint arXiv:2603.21673},
year = {2026}
}
备注
Preprint and under consideration