UrbanAgent：多智能体协同推理框架革新城市区域画像

城市区域画像作为城市计算的核心任务，对人口估算、经济评估和环境监测等应用至关重要。传统方法通常采用多模态表征学习，融合卫星影像、兴趣点、文本描述和三维建筑信息等异构数据，但这类方法存在明显局限：依赖数据相关性假设、默认跨模态一致性、采用静态处理流程，导致在异构或未见过的城市区域中鲁棒性不足。

近日，研究团队在arXiv发表论文《Multi-Agent Collaborative Reasoning with Tool-Augmented Evidence for Urban Region Profiling》，提出创新框架UrbanAgent。该框架将城市区域画像重新定义为推理驱动的推断问题，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同推理机制，显式处理跨模态不一致性而非将其压缩至单一表征中。

UrbanAgent的突破性设计体现在两方面：首先，将指标预测扩展为主动证据获取与迭代推理的闭环过程，智能体可通过工具增强的外部知识检索验证不确定推断；其次，该检索机制通过强化学习优化，形成动态自适应能力。在碳排放、GDP和人口估算的全球城市数据集实验中，UrbanAgent在R2指标上平均提升8.1%，在未见城市场景中展现出卓越的泛化性能。

这项研究为城市计算领域提供了新范式，通过多智能体协作与工具增强推理的结合，为复杂城市系统的动态分析开辟了更精确、更可靠的路径。