水利智能体没有一例通过持续运行验证，卡在哪

本文解读：《2026水利行业智能体白皮书：现状、洞察与未来方向-HydroAgent-Lab》 · 共 41 页 · 原文

这份白皮书最扎人的数字在第三章：84 条公开证据里，没有一例达到「持续运行验证」，能直接控制泵阀、闸门、水库调度的案例一条都没有。

HydroAgent-Lab 团队把资料按功能角色和证据可核查度做了二维矩阵，结果发现断层不在任务复杂度，而在智能体开始写入业务系统之后。

预定义工作流有 42 条证据，但 29 条仍只是产品主张；动态编排 20 条，5 条做到可复核；授权系统操作只有 2 条，全都没有运行结果。

作者由此提出一个反常识的判断：功能角色越自主，不等于越成熟，Agent 节点该不该保留，要看它相对人工流程和确定性程序产生的可复核增量。

这份报告真正想说的不是水利智能体能做什么，而是哪些能力已经被证据撑起来了。

图源：《水利行业智能体白皮书》（第1页） · 原文

一、先把「什么算水利智能体」划线

白皮书开篇花了整页定义术语，原因很实在：学术界和行业还没有统一的「水利智能体」定义，不划线就没法比较。

它的标准是：LLM 或视觉语言模型实质参与水利工作流，并承担任务分解、步骤编排、工具调用、状态维护、验证诊断、方案比较、决策支持或系统操作中的至少一项。

反过来说，如果一套系统没有改变信息或工具在水利任务中的使用方式，就不算核心水利智能体。

问答、文本抽取、分类、时序预测和检索增强生成被单独标成「智能体基础」，与传统机器学习、不含语言模型的智能体、多智能体强化学习分开。

报告还建立了「领域 Harness」这个关键概念：连接基础模型与水利数据、工具、技能、规则、物理校核、权限和监控的工程系统。

名字叫智能体不算数，改变了工具和信息的使用方式才算。

图源：《水利行业智能体白皮书》（第2页） · 原文

二、84 条证据的分布：42 条在跑固定流程

第三章是全书最硬的部分，它把案例按两种功能角色和四级证据可信度排进同一个矩阵。四类功能角色分别是信息与认知辅助、预定义工作流执行、动态工作流编排与方案综合、授权系统操作。

四级证据可信度依次是功能主张、单场景验证、可复核验证、持续运行验证，每一级对应能支持到哪一步的决策。结果分布得很不对称：预定义工作流执行 42 条，其中 29 条停留在功能主张；动态编排 20 条，5 条达到可复核。

授权系统操作只有 2 条，均缺少可核查的运行结果，整个证据集里持续运行验证一栏是空的。报告特别澄清了计数口径：84 指公开证据条目，不等同于独立 Agent 数量、系统数量或部署项目数量。

28 条证据里做得出可复核结果的，全挤在不改变系统状态的那一半。

图源：《水利行业智能体白皮书》（第3页） · 原文

图源：《水利行业智能体白皮书》（第4页） · 原文

三、率定能跑，但「用了 LLM」本身不构成方法

流域水文是证据最厚的领域，驱动数据、运行日志、目标函数和历史事件都能追溯，工具调用也便于检查。

Zhu 等人的闭环率定研究让五种 LLM 根据 VIC 模型反馈调参数，并与传统优化器比较，只有 DeepSeek-R1 在 200 次迭代内做到较稳定的近优收敛，其余都低于两个传统基准。

另一项 MADR 研究把分布式流域按上下游关系组织成诊断过程，在淮河某嵌套流域 5 个站点测试中，每个子流域只需 170 次模型计算，不到传统基准 4000 次计算的 5% 算力预算就达到相当精度。

但这项研究只覆盖一个流域、一个模型组合和两种 LLM，跨气候区迁移能力尚未验证。反例同样重要：有研究发现 LLM 给出的概念模型结构建议受提示影响、配置不一致，经常不如专业基线。

报告由此下判断：率定流程固不固定决定不了 Agent 有没有价值，真正起作用的是专业模型提供的稳定反馈和诊断分工。

能省算力的不是模型更聪明，是上下游的诊断结构给了它有依据的反馈。

图源：《水利行业智能体白皮书》（第5页） · 原文

四、洪水预报的 90% 是流程完成率，不是准确率

洪涝领域最容易被误读的一个数字是 90%：Yan 等人的案例在同一 Kerr County 事件 20 次运行中，18 次首次完成全流程。报告专门加了一句提醒，这个 90% 是工作流完成率，并非洪水预报准确率。

同一案例里，改用定量降水预报驱动后，暴雨核心偏离实况约 30 公里，模型直接没能模拟出这次洪水响应。HydroAgent 研究把预报员的前置情境判断、历史案例和方案选择写成可执行技能，用 129 场历史洪水做五折验证，方案选择使 KGE 提高 0.023 到 0.154。

这份报告的原文件放在运营动脉（www.yydm.cn）上，图表、口径说明和样本量都写得很清楚。

想看原文的完整版，搜标题就能打开，图表和数据附录都是齐的，不用注册。

但个别弱信号事件一旦前置情境判断错了，后续方案选择和洪水过程线质量都会跟着下降。遥感侧的例子更说明问题：SIENA 最终进入例行生产的，是经过审查的代码和脚本，而不是实时运行的智能体。

黄河、珠江流域已有防汛助手连接信息查询与材料生成，但公开资料没报告持续运行时长、漏报和人工干预。

把流程跑通和把洪峰报准，是两件完全不同的能力。

图源：《水利行业智能体白皮书》（第6页） · 原文

图源：《水利行业智能体白皮书》（第7页） · 原文

五、调度与供排水：数据能取到，命令还不能下发

水库与水电调度这一块，最直白的证据来自大渡河流域：300 项测试中，加入运行数据查询和上下文后，数据获取成功率从 52.9% 提升到 81.3%。

但端到端成功率只从 4.3% 提到 46%，仍有超过一半任务不能完整交付。报告的结论很干脆：准确识别并获取业务数据是必要条件，46% 的交付率意味着系统还不适合自动执行高风险调度。

城市管网是另一种情况，专业工具与智能体结合得比较紧：WDS-Modality 在五个基准网络 870 个任务上总体成功率 85.71%，分区和可视化任务都是 97.5%，没有出现违背物理规律的结果。

但信息检索成功率只有 60.8%，在密集环状网络和中文实体解析中，系统会把不存在的节点误改成名称相近的真实节点。行业侧的接口已经开始动手：KWR 的 EPANET MCP 演示向智能体开放了 13 个管网工具，Xylem Vue 描述了关键操作前请求人工批准的架构。

只是这些材料都没披露具名水司、运行时长和故障记录，报告只把它们归为「功能主张」。

取数据、跑模型、发命令，这三件事的权限必须拆开授权。

图源：《水利行业智能体白皮书》（第8页） · 原文

六、水质与地下水：短板在上游，不在语言能力

水质领域的证据有一个很干脆的反例：在受控基准上，多光谱 SVM 的 F1 为 0.833、准确率 79.5%，而通用视觉模型更容易产生过量识别。把输入从 RGB 换成多光谱特征后，同一个 SVM 的准确率提高了 12 个百分点，说明通用视觉编码器缺少水华识别所需的光谱信息。

污水厂的方向验证则卡在厂级知识：LLM-RAG 能从监测变量里识别有工艺意义的输入，但预测表现仍低于专家选变量的结果。

Water-MAS 用规划、执行、检查三类智能体组织 14 个数据工具，在需要调用四种工具的测试里，多智能体协作让召回率相对单智能体提高 89%。

但验证只限受控的数据处理任务，不涉及处理设施的实际运行。地下水最特殊，公开证据只有两项直接研究，核心结论是智能体即使能自动生成反演代码，也消除不了地下结构解释的非唯一性。

报告的建议因此很务实：让智能体组织多套反演方案、保存假设，再分析新增观测能不能降低管理目标的不确定性。

物理世界的观测缺失，语言推理补不上，这是这批证据最统一的结论。

图源：《水利行业智能体白皮书》（第9页） · 原文

七、五项洞察，最硬的两条是专业模型和运行证据

第四章提炼了五项关键洞察，每项都标了置信度，这是全书最值得直接引用的一节。第一条置信度「强」：专业模型和确定性程序承担数值计算、物理约束和硬规则，Agent 承担任务理解、工具协同和路径组织。

依据来自六项研究，其中五项可复核，覆盖流域建模、洪水预报、供水管网和水质分析。第二条讲流程、工具和校验条件共同限定能力上限，置信度中等偏强，缺其中任何一个条件都该降低自动化范围。

第三条讲误差传递，置信度中等：数据偏差和前置情境误判会在自动化流程中逐级传递，没有独立检查点就拦不住。第四条也是「强」：功能发展速度快于实际应用经验的积累速度，研究结果和行业主张之间存在明显反差。

第五条讲把专家隐性经验转成可复核规则，是形成长期价值的路径，置信度中等偏强。

最容易高估的是模型，最容易低估的是检查点和运行记录。

图源：《水利行业智能体白皮书》（第10页） · 原文

八、想上生产，先过三级验证再谈权限

第五章给了落地顺序，逻辑很朴素：让水利结果决定验收，让运行后果决定权限。第一步是建基线，在接入 LLM 之前先记录现行流程的耗时、返工、错误、人工干预和业务结果。

验证分三级：历史回放复现已知事件建立错误基线，实时并行让智能体与现行流程同步跑但不改变业务状态，有限业务写入只开放工单、告警状态这类低后果任务。

受限系统操作必须由独立联锁限制泵阀、闸门和工艺调整，并预先规定停止条件，触发后退回只读或人工流程。数据与工具契约也被写细了：每个工具要定义输入字段、类型、单位、时空基准、超时、失败代码和版本。

「人工在环」不能只是口号，报告要求说清谁在何时检查什么、能否拒绝、多久响应、拒绝后怎么恢复。报告还列了五项试点选择条件：有负责人、有可回放的历史任务、有可独立计算的水利结果、有低后果环境、有非 Agent 基线。

缺其中一项，就应该先去补数据、模型或治理基础，而不是继续做演示。

先证明错误命令能被拦住，再谈把命令交出去。

九、下一阶段有价值的六个方向

报告没有把「做一个更强的通用智能体」列为方向，而是给出六个具体任务，每个都配了关键缺口和成功标准。跨流域、跨模型的水文工作流编排，评价标准是在未见流域保持物理合理性、失败可定位。

多源观测与集合预报协同，衡量的是极端和位置偏差条件下不增加漏报，并且能触发复核。水资源与水库多目标方案综合，要求方案满足硬约束、权衡和敏感性可复现，闸门与机组指令仍由责任人签发。

城市水务的事件链要贯通「异常发现—资产确认—水力分析—处置方案—工单反馈」，测试集必须覆盖近似名称、监测缺失和越权写入。

水质污水与地下水两个方向，前者的价值在于缩短诊断时间而不增加越限，后者在于新增观测能否降低管理目标的不确定性。

最后一个方向是通用 Agent 与领域能力的分层验证：在相同任务、数据和预算下逐层加工具、技能、规则、私有数据和治理，看净增益来自哪一层。

41 页原文、证据条目索引和判定规则都在运营动脉（www.yydm.cn），搜报告名就能打开。

判断要不要上智能体，最后比的不是模型版本，而是这层领域资产攒了多少。