研究
从研究走向实际预报业务
我们研究大语言模型智能体能否进入一线洪水预报，同时不削弱科学责任。
为什么要做面向洪水预报的智能体工作流？
气候变化带来越来越极端的洪水，而预报是我们抵御洪水的第一道防线。今天的业务化预报从水文模型起步，但最终的预报单从来不是模型直接输出来的。有经验的预报员始终在环路里，把雨水情信息和本地经验结合起来，对模型结果做修正。这份专家判断，往往是预报质量中很关键的一层。
可是这一层是隐性的：难以表达、难以复盘，而且要花数年才能培养出来。机器学习能规模化，但过程往往难以检查；大语言模型带来了语言、规划和工具调用能力，但很多应用仍停在聊天界面，缺少真实预报所需要的完整业务流程。
HydroAgent 要补上的正是这道缺口：把预报员的工作记录下来，让它可以被复核，并进入真实工具环境。
大语言模型智能体 × 水文
探索大语言模型智能体如何与水文模型和业务数据对接。
预报员在环
在自动化常规流程的同时，让人类专业判断始终处于核心位置。
工作流自动化
从数据接入到简报生成与审核的端到端编排。
论文
研究论文
预印本未经同行评审arXiv:2607.23983v1 · 27 Jul 2026
HydroAgent: Formalizing Forecaster Expertise into Skill-Orchestrated Flood Forecasting Workflows
† 通讯作者
把预报员研判经验编码成有明确规则边界的 skill，使 KGE 在 0.890 的方案库基线上再提升 0.023–0.154；五个被测大模型都能跑通同一套工作流。
流域South Yamhill River basin
时段1995–2024（验证期 2020–2024）
事件14 场验证洪水 · 129 场用于五折交叉验证
被测大模型DeepSeek-v3.2 · Qwen-3.6-plus · GPT-5.4 · Gemini-3.1-pro-preview · Claude-opus-4.6
对照基线方案库，平均 KGE 0.890
问题
能否把预报员的隐性经验形式化，使其可复核、可传递，同时不让大语言模型自行发挥水文计算？
方法
一套 skill 编排的智能体框架：每个 skill 用显式规则约束大模型推理，嵌入模型驱动的预报工作流，并保留三个预报员在环的复核节点。
结果
先验研判以 5% 容差命中实测洪峰流量与洪量，在 14 场洪水中分别命中 10 场与 11 场；129 场事件的五折交叉验证中，Pearson 相关系数分别为 0.62 与 0.84。在平均 KGE 0.890 的高基线方案库之上，引导式方案选择进一步将 KGE 提升 0.023–0.154，模拟洪峰与洪量分别在全部 14 场和其中 13 场事件中落入研判区间。五个大模型的研判准确率在 40%–80% 之间。
更多论文将在此陆续列出。
从产品匹配、工作流设计或研究合作开始一次聚焦沟通。
HydroAgent-Lab 服务于需要业务可信度、可部署能力与领域协作支持的机构、团队与研究伙伴。