UrbanDS：面向数据密集型城市任务的图引导LLM多智能体系统

大语言模型（LLM）智能体已被广泛应用于数据科学任务自动化。然而，现有方法通常依赖一小部分给定的数据集，在需要从大规模异构数据仓库中发现并利用相关信息的数据密集型场景中面临挑战。城市任务是此类场景的典型代表，因为城市数据不仅规模大、来源多，还呈现复杂的空间、时间和语义关系。为应对这些挑战，我们提出UrbanDS，一个面向数据密集型城市任务的图引导LLM多智能体系统。我们首先构建统一的数据集图，以组织可复用的数据集技能以及数据集之间的关系。具体而言，我们开发了数据画像智能体（Data Profiling Agent），为每个数据集构建一个技能。此外，关系智能体（Relation Agent）识别数据集之间的关系，并将这些关系整合进数据集图。在运行时，规划智能体（Planner Agent）从图中检索与任务相关的数据集并生成执行计划。随后，多个执行智能体（Execution Agent）执行数据处理与分析，其执行进度和中间结果通过共享记忆进行交流。最后，报告智能体（Report Agent）将实验日志综合成报告，报告可根据用户反馈进一步细化。为系统评估智能体处理数据密集型城市场景的能力，我们进一步构建UrbanDS-Bench，一个覆盖代表性数据分析与建模任务的城市数据科学基准。在通用和城市基准上的实验表明，UrbanDS在数据密集型任务上持续优于现有数据科学智能体。此外，UrbanDS已部署于武汉市东西湖区的城市运营平台，证明了其在真实城市应用中的有效性。