EpidemIQs：面向流行病建模与分析的 Prompt-to-Paper LLM 代理体系
社会与信息网络
2026-02-26 v2 人工智能
摘要
大型语言模型 (LLM) 为加速复杂的跨学科研究领域提供了新的机会。流行病建模因其复杂性与网络科学、动力系统、流行病学和随机仿真的依赖，是一个充分利用 LLM 驱动自动化的理想对象。我们介绍 EpidemIQs，一个新型多代理 LLM 框架，将用户输入整合进系统，自动完成文献综述、分析推导、网络建模、机制建模、随机仿真、数据可视化与分析，最终以结构化论文形式记录发现过程，贯穿五个预定义的研究阶段。我们引入两种代理：一种是科学家代理，用于计划、协调、反思和生成最终结果；另一种是任务专家代理，专注于执行特定职责，作为科学家代理的工具。该框架能够一致生成科学文章格式的完整报告。具体而言，我们使用 GPT-4.1 作为科学家代理的主干 LLM，使用 GPT-4.1 Mini 作为任务专家代理的主干 LLM，自动化过程平均消耗 87 万个 token，约 1.57 美元即可完成一次研究，成功执行所有阶段并生成最终报告。我们对 EpidemIQs 在多个不同流行病情景下进行评估，衡量计算成本、工作流程可靠性、任务成功率，以及 LLM-as-Judge 和人类专家评论，以估算生成结果的整体质量和技术正确性。通过我们的实验，该框架在平均任务成功率达 79% 的情况下，始终能妥善应对评估情景。我们将 EpidemIQs 与一个迭代单代理 LLM 进行比较，后者使用相同的系统提示和工具，迭代性地进行计划、调用工具和修订输出，直至完成任务。比较结果表明，EpidemIQs 性能稳定地优于单一代理 LLM。
引用
@article{arxiv.2510.00024,
title = {EpidemIQs: Prompt-to-Paper LLM Agents for Epidemic Modeling and Analysis},
author = {Mohammad Hossein Samaei and Faryad Darabi Sahneh and Lee W. Cohnstaedt and Caterina Scoglio},
journal= {arXiv preprint arXiv:2510.00024},
year = {2026}
}