MOSAIC：面向结构化智能体智能与组合的模块化编排

自动化数据科学是一个结构化的模型选择问题。求解方案必须为任务选择数据变换、特征表示、架构、训练流程、评估协议和精炼策略。AutoML系统将该流程的部分环节自动化，但通常只在预定义的流水线、模型和超参数空间内搜索。基于LLM的智能体通过检索、代码生成和执行反馈提供了更大的灵活性，但其建模决策往往是非结构化的、难以验证且难以复用。我们提出MOSAIC（Modular Orchestration for Structured Agentic Intelligence and Composition），一个以记忆为依据进行模型选择与工作流构建的结构化智能体框架。给定任务和数据集后，MOSAIC会构建语义任务画像，检索先前案例与源代码模块，并构造一个蓝图：一种中间表示，明确所选建模组件、组合方式、接口约束和执行要求。该蓝图将模型选择转化为分阶段的、以上下文为依据的搜索，并使基于LLM的代码生成立足于检索到的证据，而非无约束的合成。候选模型通过执行来验证，并利用诊断反馈、训练轨迹、任务指标和失效感知的强化学习策略进行精炼。我们在金融时间序列预测与生成任务上实例化MOSAIC，其中的模型必须满足预测精度、分布保真度、执行可靠性，以及风险和尾部行为等下游金融准则。针对AutoML和智能体基线的实验表明，MOSAIC提升了任务性能、执行成功率和决策可追溯性，证明了将自动化数据科学视为结构化、可复用且以执行为依据的模型选择的价值。