让灾害预报更快转化为行动，浙大联合团队提出多智能体系统MAESTRO

台风来临前，预报能够告诉我们风有多大、雨会下在哪里。但对负责应对灾害的人来说，还需要回答另一组问题：哪些地区可能停电？哪些道路可能中断？物资应该提前送往哪里？

这些问题横跨气象、水文、交通和应急管理等领域。即使各部门都有专业模型，数据格式、术语和工作流程的差异，仍可能让信息停留在部门之间。预测结果如何更快形成协同行动，是灾害预警需要补上的一环。

针对这一问题， 浙江大学、华中科技大学与浙江省应急管理厅联合团队提出大语言模型多智能体系统 MAESTRO ，将实时观测、灾害预测、影响评估和预警建议连接起来，并由应急指挥机构审核把关。相关研究发表于《npj Artificial Intelligence》，系统已接入浙江省级应急平台。

论文标题：MAESTRO: large language model-enabled cross-agency coordination for natural disaster early warning

论文链接：https://doi.org/10.1038/s44387-026-00124-z

图 1 MAESTRO 的预警链条与角色化多智能体架构（原论文图 1a、b）。

让专业模型协同，而不是让大模型包办

MAESTRO 没有让一个大模型回答所有灾害问题，而是按照真实机构的职责设置三类智能体： 态势感知智能体 监测环境变化并触发任务； 执行智能体 拆解需求、安排协作； 领域专业智能体 调用气象、水文、地质灾害等模型和知识库完成分析。

例如，气象智能体完成降雨预测后，水文智能体可以据此评估洪水风险，其他智能体继续分析人口和基础设施可能受到的影响。不同环节通过 共享状态 继承前序结果；能够并行的任务同步推进，需要前序输入的任务则按依赖关系执行。

在实现上，系统结合模块化工具路由与「推理 — 行动 — 观察」的循环：先检索知识、选择模型和参数，再检查返回结果，必要时调整分析。大模型因此负责组织计算，而不是凭语言生成灾害结论。

这种协同不只是把多份报告拼在一起。系统会核查不同来源的信息、识别分析冲突，并组织相关智能体重新分析。数据来源和更新记录被保留下来，最终形成供人工审核的建议， 公众预警的授权和发布仍由应急指挥机构负责。

100 个台风情景，研判耗时约为专家流程的 15%

团队首先在 100 个影响浙江的台风情景中测试预警等级判定，包括 10 个历史事件和 90 个从 5000 个 WRF 数值模拟情景中筛选出的代表性事件，并与单智能体大模型和专家团队流程进行比较。

多智能体结合专业工具的配置取得 98.4% 的平均准确率 ，平均研判耗时为 37.9 秒 ，专家团队则为 250 秒，系统耗时 约为专家流程的 15% 。其准确率高于本次比较的单智能体方案。这里比较的是预警等级判定，而不是大模型直接预测台风路径的准确率。

结果显示，在本次测试中，角色化协作与专业工具的组合提供了更好的准确率与速度平衡。

图 2 不同配置下的预警等级判定准确率与耗时对比（原论文图 2d、e）。

不止生成报告，还要给出行动方案

判断预警等级只是第一步。实际会商还需要知道，灾害可能影响多少人、哪些设施以及哪些地区。MAESTRO 先组织各领域智能体独立评估，再通过 多轮协同修正 不一致之处，形成包含量化结果、风险地图和来源记录的态势报告。

在 20 名省市级应急管理专业人员参与的匿名评价中，多智能体协同修正方案在清晰度、结构和数据呈现方面达到或超过人工撰写基线，在影响评估和实施可行性方面获得最高评分。

图 3 态势报告质量比较与「利奇马」报告示例（原论文图 3b、c）。

系统还要把分析转成具体任务。研究使用 80 个源自真实业务记录的测试任务 ，检验任务规划、智能体分配和工具选择。任务规划有效率与分配准确率均不低于 90%，工具及参数选择准确率不低于 83%。

在基于台风「利奇马」响应的跨市物资调度案例中，系统将风雨预测、洪水和滑坡风险、人口暴露及道路通行情况结合起来， 约 120 秒 生成调度表、路线图和物资清单，人工流程约需 600 秒。输出与专家要求的一致程度约为 98%，指挥人员认为仅需少量修改即可使用。

图 4 跨市物资调度输出：调度表、资源流向与地图（原论文图 4c 局部）。

走出测试环境，接入省级应急平台

论文报告，MAESTRO 于 2024 年年中接入浙江省 AI・1833R 灾害助手平台，连接 8 个行业部门、11 个地市级单位和 90 个县级应急管理机构。

在 2024—2025 年的四次台风响应中，系统完成 80 余次预警循环。经操作人员核验的风险评估与专家判断约有 95% 一致；原本需要 9—12 名专家约 3 小时完成的行动方案，可在 3—5 分钟内生成 ，并仅需少量修改。

图 5 集成 MAESTRO 的浙江省 AI・1833R 灾害助手平台（原论文图 5）。

真实部署之外，团队还回放了「利奇马」的 72 小时全过程。系统完成「观测到预警」链条约需 660 秒，机构基线约为 5940 秒。回放估计，更早且更具空间针对性的预警，可使约 18 万人获得额外 8 小时的转移提前量。这是 历史回放中的反事实估计 ，并非真实事件中的实际转移结果。

从预测能力，走向行动能力

MAESTRO 对 AI for Science 的启示，不在于再增加一个单点预测模型，而在于将专业模型、实时数据和领域知识组织进可协同、可追溯的工作流程，让科学分析更接近真实决策需求。

这不意味着可以跳过专家审核。系统仍面临多源信息的不确定性，跨地区应用也需要适配当地的数据、工具和管理流程。后续还需进一步评估实际减灾效果。对灾害人工智能而言，除了「预测得准不准」，同样重要的是：分析结果能否在人的监督下，更及时地转化为保护行动。