带工具增强证据的多智能体协作推理用于城市区域画像

城市区域画像构成城市计算的核心问题：支撑人口估计、经济评估与环境监测等应用。既有方法通常把该任务形式化为多模态表示学习——把异构城市数据（卫星影像、兴趣点、文本描述与三维建筑信息）融合为潜在嵌入以供预测。但这些方法大多由相关性驱动、假设跨模态一致、依赖静态管线——限制其在异构或未见城市区域的鲁棒性。我们提出UrbanAgent：一个把城市区域画像重构为推理驱动推断问题的智能体框架。UrbanAgent为每种数据模态实例化独立智能体，执行结构化的多智能体协作推理以显式处理跨模态不一致——而非把它们吸收进单一表示。此外，UrbanAgent把指标预测扩展为主动证据获取与迭代推理的闭环过程：使智能体经经强化学习优化的工具增强外部知识检索来核验不确定推断。在全球城市数据集（碳排放、GDP与人口估计）上的大量实验显示：UrbanAgent持续超越既有基线——R²平均提升8.1%，并在未见城市设定中展现强泛化。