用 AI agent 驱动流行病模型：Epydemix Agent Framework

arXiv 论文提出 Epydemix Agent Framework，作为开源 Python 随机 compartmental 流行病建模库 Epydemix 的附加层。它为 AI agent 增加四项能力：发现可用模型与参数、对声明式场景规格做预防性验证、通过已测试库代码执行、结果可检查。agent 可完成从自然语言场景描述到定量结果、图表与结论解读的全流程，无需写自定义代码，每步读写独立输出包以便审计复现。论文展示疫苗接种策略对比案例，并用 50 次 agent 会话、5 个建模任务对比框架与直接使用 Python 接口的效果。

此前 LLM agent 接入科学软件多是零散的自然语言包装，可靠性依赖偶然。该框架把发现、验证、执行和检查拆成固定步骤并保留输出包，使 agent 建模过程可审计、可复现，同时给出 50 次会话的对照评估，而非仅演示单次成功案例。

机制是把科学研究软件中隐含的使用规范显式化：agent 先查询库内可用模型和参数，再让声明式场景规格在运行前被校验，执行只走经过测试的库代码，结果以独立输出包保存。这样 LLM 负责理解自然语言和编排，数值计算仍由确定性代码承担，减少生成代码带来的不可控错误。

对研发和产品而言，这提供了一种把 AI agent 接入专业计算库的模板：核心计算保持原库不变，另加验证与输出层。可直接降低 agent 任务的轮次、输出 token 和成本，尤其多任务场景；但为换取逐点可复现性，可能付出额外资源开销，需要在成本和可追溯性之间取舍。

• 在自有 Python 计算库上增加发现、验证、执行、检查四层接口，让 agent 不写自定义代码即可完成端到端任务。
• 为 agent 每次建模会话生成独立输出包，把可审计和可复现作为面向企业客户的差异化能力。
• 针对多任务批量建模场景对比有无验证层的 token 与轮次成本，量化节省后用于定价或套餐设计。

• 论文只给出 50 次会话和 5 个任务的对比，其他模型、其他流行病学任务上是否同样降低成本尚不明确。
• “为逐点可复现性牺牲资源”的具体条件和幅度未在证据中量化。
• 框架与 Epydemix 之外的库或其他 agent 框架能否直接复用，证据未说明。
• 证据只有一个来源，未提供独立复现或同行评审信息。