研究论文
Epydemix Agent Framework：让大模型智能体自动跑流行病模型
研究者在开源流行病建模库 Epydemix 之上构建智能体框架，支持自然语言驱动的建模全流程。
2026.09.25 · 周五约 2 分钟阅读
arXiv 上一篇预印本论文介绍了 Epydemix Agent Framework，一个建立在开源随机分区流行病建模库 Epydemix 之上的智能体层。其核心思路是：让基于大语言模型的 AI 智能体通过自然语言接口完成从场景描述到结果解读的完整建模流程，而无需用户编写自定义代码。
框架的四大能力
该框架作为 Epydemix 的「附加层」，为智能体与底层建模库的交互提供四项能力：
- 模型发现：自动枚举 Epydemix 中可用的模型与参数；
- 预防性校验：对声明式场景描述进行前置验证，避免错误参数或不合规设定；
- 可执行性：通过经过测试的库代码执行建模任务，而非由智能体自行生成可能出错的代码；
- 可审查性：每一步都读取输入文件并将结果写入独立输出包，便于审计与复现。
这种设计将智能体的角色从「写代码」转变为「调用经过验证的工具」，意在降低自然语言驱动科研工作流时的可靠性风险。
案例与评测
论文用两个层面验证框架价值。
- 端到端案例：以「针对新型呼吸道病毒的不同疫苗接种策略比较」为场景，展示从自然语言描述到定量结果、图表与解读的全流程；
- 系统性评测：在 50 次智能体会话、5 类建模任务上对比「经框架调用」与「直接使用 Python 接口」两种方式的差异。
结果显示，框架在多数任务上减少了对话轮次（turns）、输出 token 与成本，但作者也指出，在部分任务中框架会以额外资源换取「逐点可复现性」，即每一步都可被独立审计。
研究意义与局限
Epydemix Agent Framework 的定位是「让 LLM 智能体更可靠地操作科学软件」，其思路——用经过测试的代码库封装能力、通过结构化输入输出保障可复现——对其他科学计算领域的智能体应用有一定借鉴意义。不过，该工作目前仍是 arXiv 预印本，未经过同行评审，且评测聚焦于单一建模库，通用性尚待进一步验证。