MetaCaster：让智能体成为「中间工程师」，为轻量时间序列预测器喂数据

时间序列预测作为数据分析的核心任务，正逐步向多模态与智能体化（agentic）方向演进。在理想情况下，研究者倾向于直接调用基础模型进行预测，然而在算力、存储受限的场景中，这类做法并不经济，紧凑且专用的轻量预测器反而更具吸引力。然而现实困境在于，轻量级预测器往往需要大量训练数据才能发挥性能，这使其难以应用于数据稀缺、缓慢积累或隐私敏感的时间序列领域。本文正是瞄准这一矛盾，系统研究了轻量级预测器的少样本学习问题，即如何仅凭极少数样本与相关文本上下文完成可靠的预测建模。

作者提出 MetaCaster，一个以元优化（meta-harness）为核心的多智能体框架，其核心贡献在于重新定义了智能体在时间序列预测中的角色定位：智能体不再直接承担预测任务，而是充当中间工程师，负责自动构建并训练出高效、任务专用的轻量预测器供后续部署。这一范式转换不仅缓解了数据稀缺的约束，也为资源受限环境下的预测落地提供了新的技术路径。在技术方法上，MetaCaster 采用多智能体协作架构，通过智能体化数据生成来扩充有限的训练信号。面对仅有个位数样本的极端场景，框架利用文本上下文理解任务语义，并自动生成具有代表性的合成样本，从而为轻量预测器提供足够多样化的训练内容。

元优化机制被用于持续调优整个训练流水线与数据准备策略，使得生成的数据与预测器结构之间形成良性互动。训练策略上，框架面向不同任务自动适配，将通用能力转化为任务专用能力，最终产出针对特定场景优化的轻量模型。这种设计将原本需要人工大量介入的数据工程、模型选择与训练调参过程自动化，显著降低了使用门槛。智能体在此过程中扮演的是工程化角色的定位尤为关键，它们负责准备部署所需的预测器，而非亲自完成每一次预测，这一思路为自动化机器学习在时序领域的应用提供了新的实践范式。

在实验设置方面，作者在 18 个数据集上进行了广泛验证，覆盖了 23 个最先进的轻量预测器与 14 个基线方法，评估维度兼顾数据效率与计算效率两大核心指标。结果表明，MetaCaster 在仅依赖少量样本与文本上下文的情况下，仍能保持高质量的时间序列预测性能，并在数据利用与计算成本之间取得良好平衡。消融与对比分析进一步揭示，智能体化数据生成与元优化机制的协同作用是性能提升的关键来源，单独移除任一组件都会削弱整体效果。相较于依赖海量数据的传统轻量预测器训练方式，MetaCaster 在数据稀缺条件下展现出显著优势，证明了以智能体为中间工程师的范式在真实受限场景中的可行性。

这一结果不仅验证了方法的有效性，也为后续研究如何在少样本约束下构建高效预测系统提供了可靠的参照基准。在行业意义上，MetaCaster 为开源社区与工业落地提供了新的思路。在医疗、金融、工业监测等数据敏感或积累缓慢的领域，研究者往往难以获取充足的历史序列，而该框架使得在这些场景中部署专用预测器成为可能。其对计算效率的关注也契合边缘计算与资源受限设备的实际需求，为模型下沉到终端提供了技术支撑。更重要的是，本文提出的智能体作为中间工程师而非预测器的新范式，为自动化机器学习与智能体系统的设计打开了新的想象空间，后续研究可借此探索更广泛的自动化建模场景。这一工作不仅推动了时间序列预测向少样本、轻量化方向发展，也为智能体驱动的科学计算与工程自动化积累了宝贵的实践经验。