Optimizing Multi-Agent Weather Captioning via Text Gradient Descent: A Training-Free Approach with Consensus-Aware Gradient Fusion

📄 arXiv: 2603.21673v1 📥 PDF

作者: Shixu Liu

分类: cs.CL

发布日期: 2026-03-23

备注: Preprint and under consideration

💡 一句话要点

提出WeatherTGD，一种基于文本梯度下降的免训练多智能体天气描述优化框架

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多智能体系统 文本梯度下降 自然语言生成 天气描述 免训练学习

📋 核心要点

  1. 现有方法在天气时间序列数据描述生成方面存在不足，要么是数值预测缺乏可解释性，要么是通用描述缺乏领域深度。
  2. WeatherTGD的核心思想是利用文本梯度下降，通过多个专业LLM智能体协同生成和融合领域特定的文本梯度，迭代优化天气描述。
  3. 实验结果表明，WeatherTGD在LLM评估和人工评估中均显著优于现有方法，并在保证计算效率的同时，实现了性能提升。

📝 摘要（中文）

本文提出WeatherTGD，一个免训练的多智能体框架，用于优化天气时间序列数据的自然语言描述生成。该框架将协同描述改进重新定义为文本梯度下降(TGD)过程。系统部署三个专业的大语言模型(LLM)智能体，包括统计分析师、物理解释器和气象专家，从天气时间序列观测中生成领域特定的文本梯度。这些梯度通过一种新颖的共识感知梯度融合机制进行聚合，提取共同信号，同时保留独特的领域视角。融合后的梯度引导迭代改进过程，类似于梯度下降，其中每个LLM生成的反馈信号更新描述，使其趋向最优解。在真实气象数据集上的实验表明，WeatherTGD在基于LLM的评估和人类专家评估中都取得了显著改进，大幅优于现有的多智能体基线，并通过并行智能体执行保持了计算效率。

🔬 方法详解

问题定义：论文旨在解决从天气时间序列数据生成可解释的自然语言描述的问题。现有方法的痛点在于，要么生成数值预测，缺乏人类可理解的解释；要么生成通用的描述，缺乏气象领域的专业深度。这些方法无法充分利用大型语言模型在时间序列分析和自然语言生成方面的潜力。

核心思路：论文的核心思路是将描述生成过程视为一个优化问题，通过文本梯度下降(Text Gradient Descent, TGD)的方式迭代改进描述。具体来说，利用多个专业的大语言模型(LLM)智能体，从不同的领域视角（统计、物理、气象）生成文本梯度，这些梯度代表了对当前描述的改进方向。通过融合这些梯度，可以得到一个综合的改进方向，从而引导描述向更准确、更专业的方向演进。

技术框架：WeatherTGD框架包含以下主要模块：1) 多智能体系统：包括统计分析师、物理解释器和气象专家三个LLM智能体，分别负责从不同的领域角度分析天气时间序列数据。2) 文本梯度生成：每个智能体根据其专业知识，生成针对当前描述的文本梯度，即对描述的改进建议。3) 共识感知梯度融合：该模块负责将多个智能体生成的文本梯度进行融合，提取共同信号，同时保留每个智能体独特的领域视角。4) 迭代改进：利用融合后的梯度，对当前描述进行迭代更新，使其逐步逼近最优解。整个过程类似于梯度下降算法，但作用对象是文本描述。

关键创新：最重要的技术创新点在于将文本梯度下降(TGD)应用于多智能体协同描述生成。与传统的训练方法不同，WeatherTGD是一种免训练的方法，无需大量的标注数据。此外，共识感知梯度融合机制能够有效地整合多个智能体的知识，避免信息冲突，提高描述的准确性和专业性。

关键设计：在梯度融合方面，论文提出了共识感知的融合策略，具体实现细节未知。此外，如何设计合适的prompt，引导LLM智能体生成有效的文本梯度，也是一个关键的设计问题，但论文中没有详细说明。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

WeatherTGD在真实气象数据集上取得了显著的性能提升，在LLM评估和人工评估中均优于现有方法。具体性能数据未知，但强调了其在计算效率方面的优势，通过并行智能体执行实现了高效的描述生成。

🎯 应用场景

WeatherTGD可应用于各种气象预报和分析场景，例如自动生成天气预报、灾害预警信息、农业气象服务等。该方法还可以推广到其他领域，例如金融分析、医疗诊断等，只要能够利用多个领域的专家知识，生成可解释的自然语言描述。

📄 摘要（原文）

Generating interpretable natural language captions from weather time series data remains a significant challenge at the intersection of meteorological science and natural language processing. While recent advances in Large Language Models (LLMs) have demonstrated remarkable capabilities in time series forecasting and analysis, existing approaches either produce numerical predictions without human-accessible explanations or generate generic descriptions lacking domain-specific depth. We introduce WeatherTGD, a training-free multi-agent framework that reinterprets collaborative caption refinement through the lens of Text Gradient Descent (TGD). Our system deploys three specialized LLM agents including a Statistical Analyst, a Physics Interpreter, and a Meteorology Expert that generate domain-specific textual gradients from weather time series observations. These gradients are aggregated through a novel Consensus-Aware Gradient Fusion mechanism that extracts common signals while preserving unique domain perspectives. The fused gradients then guide an iterative refinement process analogous to gradient descent, where each LLM-generated feedback signal updates the caption toward an optimal solution. Experiments on real-world meteorological datasets demonstrate that WeatherTGD achieves significant improvements in both LLM-based evaluation and human expert evaluation, substantially outperforming existing multi-agent baselines while maintaining computational efficiency through parallel agent execution.