两周前，一个本来打算早睡的晚上，我翻到 arXiv:2610.39681。cs.MA，交叉挂 cs.AI，标题 Can AI Agents Interface Clinicians and Complex Models?，21 页，7 张图，760 KB，八位作者，提交人署名 Giulio Colombini。
点开它跟流行病学没关系。我在找一个正面样本——一个 agent 系统，把大模型老老实实摁在调度层，脏活交给人类写好的模型去干。
这诉求说出来有点寒酸。这两年我看过的 agent demo，十个里有八个是让模型既当调度又当计算器，最后甩给你一段非常流畅的分析，里面的数字没有一个能追到源头。
EpidemIA 是那个少数派。
骨架三句话能说完：本地跑一个开放权重的大模型，撑起两个子 agent；agent 底下是人类专家写的、模块化的流行病学模型套件；整套东西不做额外训练，单块 GPU 工作站就能跑。测试用的是博洛尼亚 IRCCS Sant'Orsola 的急诊科就诊数据。
先说“不训练”这条。我认。
拿一个科室、一家医院的数据量去做领域微调，最后调出来的通常不是一个更懂流行病学的模型，是一个更会说这个科室黑话的模型——它学会了像专家一样讲话，没学会像专家一样不确定。这个税我缴过，不想缴第二次。EpidemIA 赌的是通用模型加一套好接口，不是喂数据喂出来的领域感。
“本地跑”这条更值得说，虽然它一点都不性感。
医疗数据不出院，这话写在任何一份合规文档的第一句。但真到实现层面，我见过太多 demo 直接把数据往云端 API 一贴，然后在 README 里补一句“生产环境请自行替换为本地模型”。画外音：这句“请自行替换”翻译过来就是“我们也没试过”😅。我现在看到 README 里出现“生产环境”四个字，第一反应是往下翻有没有对应的 issue。
开放权重模型塞进单卡工作站，水平肯定不如云端旗舰——这两年这块变化太快，具体能到什么档位我不想张口就来——但代价是明的，换来的是数据不出门。这笔账在医疗场景里根本不用算。
然后是真正让我坐直的那一层：模型被关在哪儿。
用户说人话，agent 把这句话翻译成一次具体调用，动力学模型负责算，agent 再把结果翻译回人话。整条链路里，产生数字的永远是那个专家写的、人能读懂的模型，不是 LLM。
我照着这个思路画过一张调用草图（不是论文里的图，是我自己拿来对照用的）：
# 用户: "下个月急诊量会涨吗"
plan = agent.plan(query)
# -> tool="ts_forecast", horizon=30,
# model="er_weekly", config="config/epi/er_weekly.yaml"
result = models.run(plan.tool, **plan.args)
# -> forecast=3842, ci=[3632, 4052]
agent.render(result)
关键不在能不能跑通，在于这张图里任何一步出错，我都能指到一个具体的东西上：是模型选错了，参数填错了，还是 YAML 里那个周期项本来就该改。而如果你让模型自己去“估算”，你得到的是一个同样自信、同样流畅、但没有任何东西可以指认的数字。
这就是我这两年对 agent 最大的偏见：能不能审计，比能不能多干活重要一个数量级。这活儿交给实习生干没问题，前提是实习生不许自己发挥。
不过有个细节我从摘要里看不出来——上面那个 plan 里，“哪句话该选哪个模型”这件事，到底是一张人写死的映射表，还是一堆工具丢给模型让它自己挑。这两者在 demo 阶段看不出区别，上了真实场景差得远：前者出错是配置错，后者出错是“它觉得应该这样”。论文正文里应该有，我没细抠，先记一笔，不替它猜。
接下来是我不同意的地方，而且不同意得挺坚决。
作者说，临床上这类复杂模型采用率低，主要障碍是语言和方法学上的隔阂——医生读不懂动力学模型那套符号，也写不动代码，学习曲线太陡。所以让 LLM 来做翻译，把门槛从“会写 R”降到“会说话”。
这个归因太舒服了。因为它给出的解药，正好就是这篇论文做的东西。
我的判断是，语言隔阂顶多算第一层，第二层是责任：模型吐出一个预测，谁签字？
我见过的失败案例，没有一个是“医生不会用工具”——工具早就好用得很，R 包、Shiny、拖拽式 BI，谁都能点两下。真正卡住的是点完那两下之后，屏幕上出现一个数字，而这个数字要拿去排班、调床位、写进周会材料。医生心里那个问题是“我凭什么信它”，不是“我怎么点它”。
EpidemIA 把操作门槛降下来了，但同时，它把理解门槛也降下来了，而且降得更狠。以前用模型的人至少自己写过那几行代码，知道里面有哪些假设；现在他只需要说一句话。这两件事在临床场景里根本不是一回事：前者是麻烦，后者是风险。
我承认这里有我自己的样本偏差——我经手的翻车基本都是责任问题，不是工具问题。也许在博洛尼亚那家医院，语言隔阂真的是主要矛盾。但我还是觉得，一个把采用率低归因于“用户不会用”的方案，容易在 demo 阶段显得特别对症，到采购和落地阶段就哑火。
再补一句作者其实很克制：proof-of-concept，一个数据集，一家医院，一个科室，论文里没吹。是我这种读者容易一看“多智能体 + 临床”就开始脑补它下个月进医院。这毛病得改。
那这篇东西对我有什么用？
不是让我去搭一个 EpidemIA。是我从它身上抄到了一个可以拿去质问自己项目的句式：这个数字是谁算的，他写完那段代码以后有没有人读过，出错的时候我的手能指到哪儿。
我手上正在弄的那个东西，agent 编排得比它花哨，但被问到第三个问题时有点卡——因为有一部分输出，确实是模型自己“顺手”给的，没人写死过。
- "根据历史趋势，预计下周增长约 12%"
+ run(forecast_model, horizon=7, params=cfg) # cfg 是人写的
差的就是这一行。前者读起来更像人话，所以我一直没动它；现在想想，这恰恰是最该动的地方。
这里我纠结了一下要不要把整块重写——毕竟跑得好好的，改了要重新对齐一堆东西。后来决定先只改这一处，把那个“顺手”的口子堵上，其余的等下次真出事再说。别问，问就是懒。
以后我评一个 agent 方案，先问两句：模型被关在哪一层；出错的时候，手指能不能指到一个人类写过的东西上。这两条答不上来，demo 再漂亮我也只是看看。
至于 EpidemIA 什么时候真进医院——不是我该操心的事，我也操心不了。我只知道我那行 diff 明天得改。