「研究分享」回归理论：驱动可持续城市的多智能体推荐系统
初看题目，以为是一个系统或软件开发的论文。但实际不然，其结果中对当前学术界广泛存在、学术与实践脱离现象的量化分析十分精彩，观点尖锐，方法坚实，在此分析学习。
还有一个有意思的发现，看了这篇文章的几个作者，似乎只有第一作者之前有过城市研究相关发表经历，而其他作者：生命科学、计算机领域，由他们揭示了这些问题，一是好奇作者如此敏锐的问题意识从何而来，二是颇感讽刺，城市学者们似乎对此关注不多。
研究：回归理论
Bridging urban theory and artificial intelligence: A multi-agent recommendation system for sustainable city development
连接城市理论与AI：面向城市可持续发展的多智能体推荐系统
npj urban sustainability, 10.1038/s42949-026-00377-2
首先，作者从高被引论文、 1960 至 2024 年间重要学者著作、规划标准教科书，以及相关机构的专业指南中，基于 3 个标准筛选得到了 46 个城市理论、127 个核心概念和 847 个扩展术语：
- 超过 500 次的基础理论；
- 连续 5 年以上每年引用量超过 50 次的新兴理论；
- 由专家直接指定、不受引用指标限制的核心理论；随后，
作者检索并清洗得到了 2797 篇人工智能与城市规划领域的期刊论文，通过清洗与分组（基于BERT，分组目标是论文的算法与数据来源），最终得到 1123 篇论文 ，4 个算法组，6 个数据来源。
通过比较城市理论与期刊论文之间的引用关系，作者分析发现：
自 2008 年以来， 1123 项研究中，只有 13 篇（ 1.16% ）直接引用了已建立的城市理论。有 47.3% 的项目以技术为驱动，也就是说仅仅探索新技术算法开发和方法迁移。
这种不平衡意味着，城市人工智能研究主要关注的是“人工智能能做什么”，而不是“城市需要什么来实现可持续发展？”，且这种不一致随着时间推移剧烈加剧。
作者认为，这一显著缺口主要源于 3 层障碍：
- 跨领域专业知识稀缺。948 篇有明确作者背景的论文中，只有11.7% 的第一作者拥有涵盖人工智能/计算和城市领域的知识，只有 33.3% 的团队成员来自多个学科。
- 数据可获得性，而非理论重要性，决定了研究的优先级。作者提取了 46 种理论的预期数据需求，比如 CPTED（预防犯罪的环境设计）理论上需要图像数据（Image data，用于监视视线分析）和实验数据（Experimental data，用于实地行为观察）。通过对比需求与实际数据使用之间的 gap，作者提到了“数据机会主义”——易于获取的数据集决定了研究人员关注哪些城市问题，而非由理论驱动数据收集。例如，丰富的传感器数据影响的交通优化研究，而难以量化的社会公平维度尽管具有理论意义，却鲜受关注。
- 专业研究领域的知识（此处指城市研究）在研究中往往不会直接引用。专业知识是研究中通过持续的专业实践与学习获得，十分依赖情境（类似于 Michael Polanyi 的默会知识），因此在研究中，这些专业知识对于跨学科研究与评估来说往往是隐形的。
这三种屏障严重阻碍了跨学科交流，并且这种理论屏障并不会因跨学科团队合作就明显改善。这些因素综合起来形成自我强化的循环：稀缺的跨专业知识、数据驱动的研究设计和隐形的理论交流，共同导致了技术可及性决定了研究趋势，而非理论重要性。
在这样的背景下，研究的核心模块其实才展开：构建一个智能体系统，帮助研究者从“这个算法能做什么？”聚焦到“这个城市挑战需要什么”。研究构建起了“理论-算法-数据”计算映射框架，绘制了 46 种经典城市理论与当代人工智能方法之间的对齐图，驱动大语言模型（LLM）多智能体（5 个智能体协同）推荐系统，帮助研究者在处理具体的城市问题时，匹配适用的理论框架。
作者还通过 3 个案例验证了这一方法，关于这部分内容，可以直接看作者的原文，内容很详实。
