LLM 驱动的智能体正被广泛用于处理时间序列相关的问题，但不同任务的设计差异显著。本文采用面向问题的分类方法，将系统按所解决的时间序列任务进行组织，而不是单纯按技术组件划分。我们将现有工作归为四大类：预测与推理、增强与合成、异常检测与诊断、决策支持。
在每一类中，我们分析任务需求如何影响智能体的整体架构、外部工具的调用方式以及记忆模块的设计。例如，预测类任务倾向于使用滚动窗口的记忆结构并结合数值计算工具；异常检测则更依赖于对历史模式的对比记忆和可解释性工具。
此外，本文汇总了常用的数据集与实验环境，并在共享或相近设置下对比了已报告的模型性能，帮助读者快速定位适配的基准。通过这些对比，我们发现部分任务仍缺乏统一的评估协议，且在跨域迁移和长期记忆保持方面存在显著空白。
总体而言，本综述提供了一套任务导向的设计指南，帮助研究者在构建面向时间序列的 LLM 智能体时做出更有针对性的选择，并指出了未来研究的潜在方向。
博主点评：本文结构清晰，分类合理，对实际工程实现提供了可操作的参考，值得从事时间序列建模的同学细读。