Agentic 工作流重塑出行预测：多智能体协同与多模态大模型的深度实践

👋 Hi，带娃的我热爱AI 大模型应用落地、意识解码与 AI 开发工具链。 💡 创业路上，用技术换时间，一起把 AI 变成生产力 🚀 >

Agentic 工作流重塑出行预测：多智能体协同与多模态大模型的深度实践

在当前的出行行为研究领域，数据采集与预测建模往往处于割裂状态。传统的调查问卷数据缺乏实时性与上下文丰富度，而基于机器学习的预测模型又常常受限于输入特征的单调性。随着大语言模型（LLM）向 Agentic AI（代理式人工智能）演进，具备自主感知、推理、规划与执行能力的智能体开始打破这一僵局。近期的一项前沿研究提出了一种三智能体工作流，将对话式数据采集、结构化数据处理与行为预测无缝集成，为天气敏感型交通需求预测提供了一种全新的、可审计的技术路径。

技术背景（领域现状与核心问题）

在交通行为建模领域，长期存在一个“数据-模型”断层。研究人员通常依赖静态的意向调查数据来训练多项Logit模型或随机森林等算法。然而，这种模式存在两个核心问题：一是数据采集过程的僵化，无法动态捕捉受访者在复杂天气场景下的真实偏好；二是模型预测阶段缺乏对非结构化数据（如视觉上下文）的利用。

当前，AI 领域正在经历从单一 AI Agent 向 Agentic AI 的认知跃迁。Agentic 形容一个系统、流程或应用具有 Agent 的某些特征，比如自主规划、工具调用、反馈修正等。将 Agentic 理念引入交通行为研究，意味着系统能够主动发起调查、清洗结构化数据，并调用多模态大模型进行端到端预测。这种多智能体工作流的核心设计哲学在于：将原本需要人工介入的碎片化流程，封装为具备自主决策能力的自动化管道，同时保持全链路的可审计性。

主流方案盘点

针对出行行为数据采集与预测，目前业界存在几种主流的技术方案。随着大模型推理能力的提升，这些方案正在经历从工程化硬编码向智能体自主编排的过渡。以下盘点四种代表性方案：

1. 传统管道架构

这是最经典的工程范式。系统分为明确的数据收集模块、ETL 处理模块和 ML 训练模块。这种方式的优点是流程清晰、结果可解释性强。然而，其线性架构导致系统缺乏“弹性”。例如，当需要引入新的天气图像变量时，从问卷重构到数据库 Schema 变更再到模型重训，整个链路的试错成本极高。

2. 单一 LLM 提示工程

随着 Qwen3.6 Max、GLM 5.1 等百亿参数级以上大模型的开源与普及，直接使用 LLM 进行零样本预测成为可能。研究人员尝试将受访者的习惯出行信息和天气状况转化为文本提示，让 LLM 直接推断其交通方式选择。这种方式省去了模型微调的步骤，但受限于 LLM 对特定垂直领域逻辑的理解深度，且容易在复杂的五分类任务中产生幻觉。

3. RAG 增强型 Agent

检索增强生成（RAG）通过外挂知识库的方式，将历史出行规则和气象特征向量化解码，辅助 LLM 进行决策。这在一定程度上解决了 LLM 领域知识不足的问题，但 RAG 本质上是被动的检索，无法主动根据当前预测的缺失信息去发起追问或补充数据收集。

4. 多智能体协同工作流

这是目前最前沿的 Agentic 方案。研究采用了一种包含三个智能体的协同工作流：

• 数据收集智能体：通过聊天机器人发起图像增强的意向调查。它不仅收集文本，还向受访者展示五种预定义的天气场景图像，获取 454 个受访者-场景观测值。
• 结构化处理智能体：负责将对话文本和非结构化图像上下文清洗、转化为统一的结构化特征矩阵。
• 行为预测智能体：作为核心大脑，统筹多项 Logit 模型、随机森林以及多模态 LLM 进行综合预测。

优劣分析

在上述多智能体工作流与主流方案的对比中，我们可以清晰地看到不同技术在具体业务约束下的优劣势。

预测性能与上下文敏感度

在五分类准确率的基准测试中，传统的随机森林算法达到了 69.6% 的准确率。而最佳文本零样本 LLM 在未进行任务特定微调的情况下，达到了 69.9% 的准确率。这表明，当前主流大模型在具备一定上下文条件时，其零样本推理能力已可媲美经过特征工程训练的传统 ML 模型。

更值得关注的是多模态的突破。当系统将展示给受访者的相同天气图像直接输入给视觉模型时，最佳基于视觉的配置将准确率提升至 71.5%。这从技术原理上证明，视觉上下文提供了文本特征难以完全覆盖的潜在预测信息（如积云厚度、路面反光程度等），这些信息被多模态大模型有效捕获并用于行为推断。

提示策略的边际效应

在提示工程层面，研究发现“习惯出行信息”能产生最一致的性能增益。这符合交通行为学中的“习惯惯性”理论。在 Persona（人设）策略上，Expert framing（专家框架）通常优于 Role-Play（角色扮演）。原因在于，专家框架倾向于引导模型激活内部的专业知识权重分布，而角色扮演可能导致模型过度模拟人类情感波动，从而降低逻辑预测的严谨性。

此外，Few-shot 提示对多个模型的预测均有提升，且增益在少量样本后趋于稳定。这说明大模型在出行预测任务中具备快速模式识别能力，过度增加 Few-shot 样本不仅边际效益递减，还可能因上下文过长导致“中间遗忘”现象。

工作流的局限性与挑战

尽管多智能体工作流展现了强大的整合能力，但其局限性依然明显。首先，多智能体间的通信开销和 token 消耗显著高于单模型方案。其次，结构化处理智能体在将非结构化对话转化为特征矩阵时，可能存在信息损失。最后，可审计性虽然通过工作流日志得到了保障，但当预测智能体调用 LLM 时，其黑盒特性依然让微观层面的因果解释变得困难。

选型建议

基于上述深度剖析，针对中级开发者在构建类似预测系统时的技术选型，提供以下场景化建议：

场景一：高可解释性要求与结构化数据主导

推荐方案：传统管道架构 + 随机森林/Logit 模型
如果你的业务场景中，输入特征已经高度结构化（如温度、降水量、风速等数值变量），且业务方对预测结果的归因要求极高，建议保留传统的 ML 管道。使用随机森林不仅训练成本低，且能提供清晰的特征重要性排序。大模型在此场景下仅作为辅助工具，用于生成自然语言的预测报告。

场景二：非结构化数据丰富与零样本冷启动

推荐方案：多智能体工作流 + 文本/多模态 LLM
当业务需要处理大量的对话记录、开放文本或图像场景时，传统的特征工程难以为继。此时应采用 Agentic 工作流。在模型选型上，建议本地部署 20B-35B 参数级别的模型（如 Qwen3.6 Max 或 DeepSeek 4.0 Pro 的量化版本），以平衡推理延迟与上下文理解能力。在提示策略上，优先注入用户的习惯出行历史，并采用 Expert framing，这比提供复杂的气象物理量更有效。

场景三：动态数据缺失下的交互式补全

推荐方案：对话式数据收集智能体 + RAG 机制
当现有数据不足以支撑精准预测时，系统需要具备“主动获取”的能力。建议部署对话式智能体，通过 API 接口调用聊天界面，结合视觉模型动态生成场景图片向用户提问。同时，在预测端引入 RAG，将历史相似场景下的群体出行偏好检索注入 Prompt，以弥补个体数据的缺失。

未来展望

从 Agent 到 Agentic AI 的跃迁，本质上是将 AI 从被动的指令执行者转变为主动的流程编排者。在出行行为预测领域，多智能体工作流的成功实践预示着未来交通规划系统的演进方向。

未来的研究将聚焦于两个维度：一是多智能体协同的深度强化。当前的三智能体工作流仍是线性的接力，未来将演进为网状拓扑结构，预测智能体在置信度低时，能够自主触发数据收集智能体发起定向追问，形成闭环反馈系统。二是端侧多模态小模型的部署。随着模型蒸馏与量化技术的突破，百亿参数级的多模态模型将运行在车载边缘计算节点上，实现毫秒级的实时天气感知与出行意图预测。

总之，将对话式调查、结构化数据处理、传统行为建模与多模态大模型协同整合于一个可审计的 Agentic 工作流中，不仅是技术栈的叠加，更是系统设计哲学的升维。这种范式将极大地提升交通需求预测的实时性、鲁棒性与场景适应性。