经验驱动的多智能体系统是免训练的上下文感知地球观测者

最新进展使大语言模型（LLM）智能体能够通过编排外部工具解决复杂任务。然而，这些智能体在专门化、工具密集的领域中常常表现不佳，这类领域要求长时程执行、跨模态紧密协调以及严格遵守隐式工具约束。地球观测（EO）任务正体现了这一挑战，因为其输入是多模态、多时相的数据，且存在地理知识约束（频谱库、空间推理等）的要求：许多高层计划会因细微的执行错误而脱轨，错误沿流水线传播并使最终结果失效。一个核心困难在于，现有智能体缺乏从交互中学习细粒度、工具级专长的机制。没有这种专长，它们无法可靠地配置工具参数或从执行中途的失败中恢复，限制了其在复杂 EO 工作流中的效能。为此，我们提出 GeoEvolver，一个自演化的多智能体系统（MAS），使 LLM 智能体能够通过结构化交互获得 EO 专长，而无需任何参数更新。GeoEvolver 通过检索增强的多智能体编排器把每个查询分解为独立子目标，然后在子目标层面探索多样的工具参数配置。成功的模式与失败的根本原因归因随后被蒸馏进一个不断演化的记忆库，为未来查询提供上下文示例。在三个工具集成 EO 基准上的实验表明，GeoEvolver 持续提升端到端任务成功率，在多个 LLM 骨干上平均增益12%，表明 EO 专长可以从与环境的高效、细粒度交互中逐步涌现。