Multi-Agent-TS-network

我不生产提示词，我只是个提示词搬运工。

我们在调试风功率预测模型的时候，需要尝试各种参数和特征的组合，这个过程费时费力。我们使用多agent协作的方式，结合LLM的模型优化能力，进行模型自动化训练和调优的过程。

我们计划创建5个Agent，它们分别是 数据分析智能体、特征选择智能体、模型调参智能体、训练评估智能体、结果分析智能体。 它们通过openagents在频道发送消息的方式触发各自的执行。 计划使用openagents的消息监听事件特性来协同各个智能体之间的交互。方便用户在对话中了解实际的训练的进度。另外使用openagents的LLM调用能力，使用LLM参与agent的工作。

1. **Agent A - 数据分析智能体** - 负责加载和初步分析时间序列数据（计划是用户自己上传一个或多个csv文件） - 提取数据基本信息如形状、时间范围、列相关性等 2. **Agent B - 特征选择智能体** - 基于特征库和LLM建议选择合适特征（计划是用LLM自己去生成特征工程的代码） - 使用大语言模型决定哪些特征对当前预测任务最有价值 3. **Agent C - 模型调参智能体** - 使用LLM为LightGBM和XGBoost模型推荐最优超参数 （计划是用LLM自己去生成模型的网络结构和相关参数） - 决定模型集成权重 4. **Agent D - 训练评估智能体** - 执行实际的模型训练和评估过程（计划是结合agentB和C的生成结果去训练代码，并进行评估） - 使用选定特征和参数训练LightGBM和XGBoost模型 - 进行模型集成并生成评估指标 5. **Agent E - 结果分析智能体** - 分析每轮迭代的结果 - 绘制性能趋势图 - 决定是否继续下一轮迭代