HiRS-Agent：可靠求解长程遥感任务的分层多智能体系统

大语言模型和多模态模型的最新进展将遥感 (RS) 处理从简单的感知模型推向了旨在处理复杂、长期遥感任务的代理系统。然而，现有系统通常依赖于单一决策框架，无法适应 RS 任务的多阶段、相互依赖的性质。这种集中式方法带来了任务执行不稳定、工具使用不正确以及跨阶段错误传播等挑战。为了解决这些问题，我们提出了 HiRS-Agent，一种用于解决长视野 RS 任务的分层多智能体系统。 HiRS-Agent采用两级协同架构：管理者层处理动态路由、步骤级验证、重新规划和终止控制，而专家层根据RS工作流程组织特定领域的工具，负责子任务推理和工具执行。为了进一步增强系统的能力，我们引入了两阶段监督调整策略和验证引导的分层强化学习阶段，以共同优化协调和工具使用策略。 Earth-Agent Benchmark和ThinkGeo上的实验表明，HiRS-Agent显着提高了长期工具使用能力和最终任务的正确性，证明了结构化多智能体协作对可靠RS智能体的有效性。该代码可在 https://github.com/IntelliSensing/HiRS-Agent 上公开获取。