MOSAIC：把 Agent 的建模决策从”混乱”变”结构化”

LLM-based Agent 在建模任务上比 AutoML 灵活，但有一个致命问题：决策过程不可追溯、不可复用、不成结构。

MOSAIC（Modular Orchestration for Structured Agentic Intelligence and Composition，arXiv:2606.00708）做的事情，就是把这个混乱过程结构化。

核心机制：三层架构

语义任务画像（Semantic Task Profile）：给定任务和数据集，先构建任务画像——数据分布、时序特征、预测目标、下游约束。这不是简单的任务分类，而是对任务本身的语义建模。

Blueprint（蓝图）：基于画像，检索历史案例和源代码模块，生成一个中间表示。蓝图里写明了选了什么建模组件、怎么组合、接口约束是什么、执行要求是什么。这个 Blueprint 把模型选择从”凭感觉”变成”分阶段、上下文驱动的搜索”。

记忆驱动的代码生成：Agent 的代码生成不再是无约束合成（unconstrained synthesis），而是锚定在检索到的证据上。

候选模型通过执行结果验证，用诊断反馈、训练轨迹、任务指标做修正，还有一个 failure-aware RL policy 专门处理执行失败后的路径选择。

论文把 MOSAIC 应用在金融时间序列预测和生成上——这类任务的特点是：模型必须同时满足预测准确性、分布保真度、执行可靠性，还要满足下游金融标准（风险、尾部行为）。

结果：任务性能、执行成功率、决策可追溯性三项全面优于 AutoML 和 agentic 基线方法。

MOSAIC 的 blueprint 机制有一个隐藏假设：历史案例足够丰富，能覆盖当前任务的空间。如果任务本身是全新领域（没有先例可循），语义画像 + 检索的路径就走不通，Agent 会退化成无约束合成。

这在金融领域尤其危险——某些极端市场事件（2020 年 3 月级别的流动性危机）根本没有历史先例，MOSAIC 的检索机制会返回看似相关但实际不适用的案例，导致模型选择系统性偏差于正常市场环境。

MOSAIC 实际上在说：AutoML 的问题是”搜索空间预定义”，LLM Agent 的问题是”决策无结构”。正确的做法是保留 LLM 的灵活性，但给它的决策过程加上一层结构——这和 Recuris 的思路有某种对称：Recuris 在记忆层加结构，MOSAIC 在建模决策层加结构。

参考