【Hello AI 科技致善】面向基层值守场景的洪水预报与预警公报助手 HydroAgent
① 摘要
面向对象：HydroAgent 面向基层水文预报人员、中小流域防汛值守人员，以及人员配置不均衡、专业模型支持不足的基层单位。
解决痛点：夜间强降雨来临时，值班人员需要在很短时间内完成洪水量级判断、模型预报修正和预警公报发布；传统流程往往依赖人工查资料、跑模型、写报告，时间压力大、交接困难，结果也不容易复盘。
具体实现：HydroAgent 将洪水预报中最关键的 5 个环节串成完整工作流：从方案准备、情景研判，到模型细化、滚动修正，再到最终预警公报生成。系统采用 Skill + LLM + Executor 的人机协同方式，让 AI 负责理解场景和组织表达，让水文模型与工具脚本负责确定性计算和指标校验。
验证结果：目前作品已在真实流域样例和历史洪水事件中完成验证：2022-03-02 代表事件 KGE 从 0.8344 提升到 0.9213；系统还能自动生成包含洪峰流量、重现期、预警等级和防御建议的预警公报。
② 真实场景与需求
目标人群：中小流域水文预报员、防汛值班人员、基层水文站和防汛单位。
真实场景：洪水风险多发生在夜间或凌晨突发强降雨，值班人员一边接收雨情水情，一边要判断未来几小时是否会形成洪峰、洪峰大概多高、是否需要发布预警。这个过程留给人的时间很短，但对专业判断要求很高。
现实困难主要有三点：
i)时间紧：强降雨过程中，判断和发布窗口可能只有几十分钟到数小时。
ii)人员不均衡：大流域或重点站点通常有较完整的技术团队，但许多中小流域基层单位很难长期配置经验丰富的模型人员。
iii)流程难复盘：人工查历史事件、手动跑模型、再写公报，过程分散在表格、软件、文档和个人经验里，新人接手困难，也不利于事后评估。
现有做法通常依赖人工经验，虽然通用 LLM 能写分析文字，但没有水文模型、指标校验和结构化产物约束，很难直接支撑严肃的预报值守。
③ 作品介绍
HydroAgent 是一个面向洪水预报与预警发布的 AI Agent/Web 工具。它将洪水预报中最关键的 5 个环节串成完整工作流：从方案准备、情景研判，到模型细化、滚动修正，再到最终预警公报生成。具体来说：
i)方案准备：整理流域资料，识别历史洪水事件，基于 XAJ 水文模型率定参数，形成可复用的流域方案。
ii)情景研判：根据降雨、流量和前期土壤湿润情况，判断本次事件可能对应的洪水类型和相似历史事件。
iii)模型细化：结合研判结果修正模型参数，输出预报流量过程线和关键指标。
iv)滚动修正：接入最新雨水情输入，持续更新洪峰时间、洪峰流量和过程线。
v)公报生成：自动整理预警等级、洪峰说明、重现期和防御建议，生成可阅读、可复盘的预警公报。
Web UI 提供对话式入口，值班人员可以用自然语言触发任务，查看洪水过程线、运行结果和公报内容。对使用者来说，它更像一个“随时在岗的水文预报协作员”。
④ 用 TRAE SOLO 实现的过程
使用 TRAE SOLO 的核心思路，是先把复杂业务拆开，再把每一步固化成可以执行、检查和复盘的模块。
首先，是业务流程拆解。SOLO 把洪水预报任务拆成方案准备、情景研判、模型细化、滚动修正和预警输出五个环节。
其次，是把每一步固化为执行模块。用 SOLO形成“Skill + LLM + Executor”核心结构：Skill 管流程，LLM 管理解和表达，Executor 管模型计算与指标校验。这个结构让 HydroAgent 既有对话式 AI 的易用性，又保留水文模型计算的严肃性。
⑤ 成果展示
当前 HydroAgent 已形成可展示的端到端样例。在 2022-03-02 代表洪水事件中，系统可以完成从情景研判、模型预报到公报生成的完整流程。模型输出洪水过程线，用于对比预报流量与实测流量；随后 自动整理成面向值班人员的预警公报。
示例公报中，系统预测洪峰流量约 272 m3/s，并给出“当前未达到预警阈值，建议持续跟踪雨水情变化”的防御建议。这个结果不是单纯的文字生成，而是来自水文模型计算结果和规则化输出。
⑥ 验证方式与下一步
验证方式采用“历史事件 + 模拟值守测试”。
历史事件指标：16 个验证事件 mean KGE 为 0.7208，median NSE 为 0.7527。
代表事件复核：2022-03-02 事件 KGE 从 0.8344 提升到 0.9213，说明情景研判与模型细化对该事件有明显帮助。
输出完整性检查：最终公报包含洪峰时间、洪峰流量、重现期、预警等级和防御建议，能够被值班人员直接阅读和复盘。
下一步计划接入更多中小流域数据，邀请真实水文或防汛值班人员试用并收集反馈，让 HydroAgent 更贴近真实基层值守流程。