基于智能体的机器学习与大语言模型融合及自优化提示的高原天气预警
arXiv cs.AI · · 发布于 2026-09-11 · 3 分钟阅读
针对旅游气象服务中情境化不足、泛化能力弱、场景适应性差的问题，提出 SmartWeatherAgent——一个整合意图识别、灾害预测与推理增强生成的三阶段统一架构。系统融合基于规则的方法与大语言模型，多粒度解析查询，并采用融入高原特有特征（如风速突变率）的 LightGBM 模型，在高风、降水、低温事件上取得 0.605 的 F1-Macro 与 1.60 毫秒延迟。12 轮微步提示自优化循环将综合预警质量得分 S_final 从 4.2（B01）提升至 8.9（B12，+112%）。关键改进包括 B08 因数据来源引用而大幅上升（6.5→8.5），B10 通过物理机制解释保持高位表现，B12 借助明确的不确定性陈述使科学严谨性得分达到峰值 9.2。系统自主生成结构化预警，整合因果机制、时空演变、定量证据、法规引用与置信度说明，提升专业深度、逻辑严谨性与科学合理性，推动气象服务向主动感知、可解释决策与智能代理方向发展。
当前来源仅提供摘要，以下要点基于摘要生成；可通过官方原文查看完整信息。研究问题
旅游气象服务存在情境化不足、泛化能力弱与场景适应性差三类问题。
系统架构
提出 SmartWeatherAgent，为统一的三阶段架构，包含意图识别、灾害预测与推理增强生成。
方法融合
系统融合规则方法与大型语言模型，以多粒度方式解析查询。
预测模型与指标
采用引入高原特有特征（如风速突变率）的 LightGBM 模型，在大风、降水与低温事件上 F1-Macro 为 0.605，延迟为 1.60 毫秒。
提示自优化
12 轮微步提示自优化循环使综合预警质量得分 S_final 从 4.2（B01）升至 8.9（B12），提升 112%。
关键增益
B08 因数据源引用出现明显上升（6.5 到 8.5）；B10 依靠物理机制解释保持较高表现；B12 通过显式不确定性陈述达到 9.2 的科学严谨性峰值。
输出与定位
系统自主生成结构化预警，整合因果机制、时空演变、量化证据、法规引用与置信度陈述，提升专业深度、逻辑严谨性与科学合理性。