Dr-CiK：面向前瞻驱动智能体的测试床

真实场景中的时间序列预测往往不仅取决于历史观测，还取决于必须从嘈杂、异构的信息源中主动发现的外部上下文。然而，现有的上下文辅助预测基准通常假定支撑性上下文已经提供，未回答智能体能否自行识别它。为此，我们提出Dr-CiK，一个评估智能体能否从文档语料库中检索与预测相关的支撑上下文、过滤干扰项、将检索到的上下文蒸馏为对预测有用的证据，并生成有该证据支撑的预测的基准。通过上下文消融以及对最先进深度研究与预测方法配对组合的评估，我们表明高质量上下文能显著提升Dr-CiK中的预测性能。然而，大多数现有DR智能体只能恢复一小部分真实支撑证据（通常<5%），经常被干扰项误导（干扰项引用率>80%），甚至会使预测器在有检索上下文时表现得比没有上下文时更差。我们的结果推动了对通过搜索正确上下文来预测未来的前瞻驱动智能体的研究。