CastFSR：面向上下文感知时间序列预测的快-慢-反思式代理推理框架

arXiv AI 于 2026 年 8 月 4 日发布论文，提出 CastFSR，一个将时间序列预测建模为快-慢-反思工作流的代理框架。它通过快速思维构建数据驱动预测先验，慢速思维检索上下文证据并推理影响，反思阶段迭代校验时序、上下文和领域一致性。实验显示其优于代表性基线，代码已开源。

现有 LLM 预测方法缺乏显式的上下文识别和校验机制，CastFSR 通过三步工作流将上下文感知预测系统化，且支持免训练推理和通过 SFT 与强化学习将能力迁移到小型模型，可降低部署成本，为预测类产品提供新思路。

CastFSR 模仿人类认知的快慢双系统：快速系统用轻量预测器快速生成预测先验；慢速系统检索上下文证据、自适应选择回看窗口，并推理上下文如何改变未来动态；反思系统迭代修正预测，确保时序、上下文和领域一致性。这种结构化流程降低了对 LLM 推理能力的依赖，便于迁移到紧凑模型。

对时间序列预测类产品，CastFSR 提供一种可落地的架构：用轻量模型做初选、LLM 做上下文推理、反思机制保证质量，可能提升预测准确性和可解释性。其训练-免费推理和模型压缩策略可降低推理成本和延迟，适合资源受限的实时场景，但论文未给出具体性能数字。

• 在供应链需求预测中，集成 CastFSR 以利用节假日、营销活动等上下文信息，提升预测准确性。
• 开发基于 CastFSR 的预测 API，支持用户上传历史数据和上下文，返回可解释的预测结果。
• 将 CastFSR 的反思机制用于预测结果异常检测，自动标记并修正不符合领域约束的预测。
• 针对紧凑 LLM 的两阶段训练策略，可探索将 CastFSR 部署到边缘设备，实现低延迟预测。

• CastFSR 在论文中使用的具体数据集和任务类型未在摘要中给出，是否覆盖所有常见预测场景？
• 论文提到的“代表性基线”具体是哪些模型，相比现有 SOTA 提升幅度多大？
• 训练-免费推理模式下，LLM 的推理成本和延迟是否仍有实际应用瓶颈？
• 两阶段 SFT 和强化学习策略对小模型效果的影响程度未知。