Agent Plan × DeepSeek Harness：图表城市灾害应急仿真与疏散方案优化

第 1 章 引言：城市灾害应急的困境与智能体机遇

城市灾害应急的真正难点不在单个环节的技术能力，而在灾害演化快、影响链条深、决策窗口短三个约束叠加时，以人为核心的决策链路无法在窗口内完成从数据到方案、从方案到指令的全链路转换。本章先剖析困境来源，再指出传统路径瓶颈，最后给出方案定位与全文导读。

1.1 城市灾害应急为什么难

先看突发性。灾害的发生时间、地点与强度强不确定，应急必须在信息不完整的条件下推进：感知尚未覆盖全区域、影响边界尚未廓清，处置窗口已开始倒计时，"等信息齐备再决策"本身就是风险决策。

更本质的是链式耦合。城市是高度耦合的复合系统：暴雨引发内涝，内涝截断路网，路网瘫痪阻断救援与疏散，进而引发医疗挤兑等次生风险。级联失效沿城市的物理与功能网络——路网、管网、避难设施、关键基础设施——逐级传播，这正是"图表城市"作为数据底座的动机：灾害不是孤立事件，而是沿网络边扩散的过程。

链式耦合直接压缩决策时间窗口。从灾害确认到封路、停运、启动疏散，时间预算以分钟计，窗口内既要研判态势，又要生成方案并下发指令。应急决策因此是"信息有限、时间有限、错误代价高"的优化问题：多跑一轮仿真可提升方案质量，但每延迟一分钟都在透支疏散安全边际。质量与时间的对抗，是全文架构设计的出发点。

1.2 传统路径的瓶颈

瓶颈有三，彼此独立又相互强化。

仿真建模周期长。城市级灾害仿真以"单场景单模型"项目制建设：数据清洗、建模、标定以周、月计，而灾害窗口以小时计，窗口内调整输入仍需仿真专家手工介入。仿真能力是"项目资产"而非"常态服务"，与时效要求天然错位。

疏散方案依赖人工经验。预案体系以模板预案加专家临场调整为主：覆盖场景有限，调整质量取决于当日值班状态，难以沉淀为可复用策略；同一场灾害，不同专家给出的优先级与分区可能不一致，一致性、可审计性缺乏机制保障。

数据孤岛导致"仿真归仿真、决策归决策"。感知、城市数据、仿真、决策系统分头建设，接口私有、格式不一：仿真输入靠人工搬运，搬到时窗口已过；仿真输出以报告形态呈现，无法被决策系统消费，更无法翻译成分区疏散、路线分配、交通管制等可执行措施。每一处"人肉接口"都是延迟来源——瓶颈本质不是单点能力不足，而是链路断裂。

1.3 本文方案定位与章节导读

一句话定位：把"会规划的智能体（Agent Plan）"与"会调用工具的模型封装层（DeepSeek Harness）"组合起来，以任务单与结果回执协议串通"灾情感知—图表城市—仿真引擎—方案生成—指令下发"链路，让数据搬运、仿真转换、方案翻译由可审计的程序化流程承载，让专家回归方案把关者。

全文结构：第 2 章给出总体架构与协作契约；第 3 章起依次展开图表城市数据底座、仿真引擎工具化封装、Agent Plan 规划机制、DeepSeek Harness 执行与安全护栏，最后给出工程落地路径与评估方法。

第 2 章 总体架构：Agent Plan × DeepSeek Harness 协同框架

本章回答三个问题：系统分几层、层间传什么、Agent Plan 与 DeepSeek Harness 靠什么协同。总体思路：分层架构划职责边界，工具契约屏蔽实现差异，任务单与回执固化协作流程。

2.1 设计原则

模块解耦。五个层次不共享内存、不互引内部对象，一切交互经由显式数据契约——事件流、图快照、仿真请求与结果、任务单与回执、指令与反馈。层间只认接口不认实现，替换仿真引擎、更换基础模型都不影响相邻层。

工具即服务。仿真引擎、图查询、避难容量核算统一封装为工具，契约含名称、参数结构、返回结构与运行时属性（超时、熔断、并发上限）。决策层只按契约调用、不感知实现，工具注册表成为留痕与审计的统一入口。

人在回路。AI 只出草案，疏散方案、交通管制须专家校验后确认下发；关键决策设强制人工确认节点，专家可修改任务目标、追加约束、终止决策分支。AI 提效，人兜底。

2.2 分层架构

按"数据向上汇聚、指令向下执行、反馈闭环回流"分为五层：感知接入层、城市图数据层、仿真引擎层、Agent 决策层、应用交互层，如图 1 所示。

图 1 中，自下而上是数据汇聚路径：感知接入层将灾情感知、业务系统与人工上报归一化为事件流写入城市图数据层；仿真引擎层基于图快照计算灾害蔓延与人群疏散；Agent 决策层产出疏散方案；应用交互层完成展示、沉淀与指令下发，执行反馈回流感知层。

图 1 总体架构：Agent Plan × DeepSeek Harness 协同框架

图 1 的解读要点在 Agent 决策层：DeepSeek Harness 从仿真引擎层收取结果并回执给 Agent Plan，Agent Plan 依据回执迭代决策并输出疏散方案，二者以任务单与结果回执耦合；其余各层只暴露数据流与工具契约。五层职责如下。

感知接入层汇聚三类输入：灾情感知设备监测数据、气象水务交通等业务 API 数据、人工上报信息，归一化为带时间戳与地理引用的标准化事件流；不判断事件价值，只保证进得来、格式统一、可追溯。

城市图数据层即图表城市：以节点—边—属性组织路网、建筑、避难所、关键基础设施与动态人口，事件流到达即触发属性更新，仿真请求永远基于最新快照。

仿真引擎层将灾害蔓延仿真与人群疏散仿真以工具形式注册，接收图快照与场景参数，输出分区粒度结果；多引擎相互独立，可并行、可排队，由工具运行时统一调度。

Agent 决策层由 Agent Plan 与 DeepSeek Harness 组成：前者编排决策剧本，回答做什么、按什么顺序做；后者负责模型执行，回答模型怎么想、工具怎么用，契约见 2.3。

应用交互层承载三类出口：大屏将疏散方案可视化；预案库将处置过程沉淀为可复用预案；指令下发将方案翻译为路口管控、避难所开放、分区引导等执行指令，经人工确认后下发，反馈回流感知层。

2.3 两个核心组件的分工与协作契约

先明确分工。Agent Plan 是"决策剧本"的编排者：剧本是一棵可审计的任务树，根节点为总目标（如将内涝高风险区人口疏散至安全避难所），逐层分解为可并行或串行的原子任务（评估灾害演进、生成分区方案、校验避难容量、分配路线）；它决定任务何时启动、依赖哪些前置结果、失败走哪条补偿分支——仿真超时时自动切换为基于图距离的降级评估。DeepSeek Harness 是"执行引擎"，对每个原子任务负责五件事：模型推理控制、工具注册与调用、上下文与记忆管理、结构化输出、安全护栏（拒越权、脱敏、约束输出边界）。

二者通过两个显式协议交互，这是区别于单 Agent 包打天下的关键。

任务单（Task Order）：Agent Plan 下发的最小工作单元，字段含任务 ID、目标描述、输入数据引用（指向图快照或场景参数的存储地址，而非数据实体本身）、依赖关系（前置任务 ID 列表）、约束（时限、精度、工具白名单）、优先级、创建时间与来源。任务单是纯数据，不含实现细节。

结果回执（Result Receipt）：Harness 在完成、失败或降级后返回，字段含任务 ID 回显、状态（成功、部分成功、失败、超时）、结构化结果（疏散方案、仿真结论、置信度）、资源消耗（耗时、Token、工具调用次数）、异常与降级说明。回执是 Agent Plan 迭代决策的依据：成功则推进后继任务，失败或超时则触发补偿分支或告警。

闭环由此形成：Agent Plan 依据回执持续 push 或 rollback，直至方案满足验收条件（覆盖率、避难容量、时效窗），再进入专家校验与指令下发；任务单—回执链全程留痕，支撑方案解释并构成预案库原料。

这套框架正常运转的前提，是底层数据完整、实时、语义一致——下一章详述图表城市如何以图数据结构组织路网、建筑、避难所、关键基础设施与动态人口，为仿真与决策提供统一的语义化数据底座。

第 3 章 图表城市：灾害场景的数据底座

第 2 章确立了总体架构：Agent Plan 负责任务分解与方案编排，DeepSeek Harness 负责推理控制与工具执行。而一切规划的起点，是底层那份描述"城市平时是什么样、此刻变成什么样"的数据底座。本章进入数据层：为什么用图、图里装了什么、灾害如何被动态刻画。

3.1 从地图到图：为什么用图而不是网格或矢量图层

传统防灾底座有两类形态。栅格网格把城市切成规则单元，值（高程、人口、淹没深度）落在单元内，但单元与语义实体不对齐，一栋建筑横跨多单元，一次阻断要聚合几十个单元才能推断影响；矢量图层按层堆叠要素，要素间无显式连接，跨图层查询只能靠几何计算现建拓扑，分钟级决策窗口内开销不可接受。

图表城市以节点-边-属性三元组表达：路网、建筑、避难所、关键基础设施构成节点与边，容量、状态、危险度承载为属性。关系固化为拓扑后，空间查询退化为图算法——最短路径、可达集、连通分量、割点识别均秒级完成。观点：图不产生新信息，其价值在于把"关系"从每次现算变成一构永驻，让状态查询具备确定性时延，这是应急场景与常规分析的本质差异。

3.2 静态要素：一次建图，多次复用

静态要素回答"平时是怎样的"，灾中几乎不变，却是所有后续计算的基础。

路网是疏散计算的核心骨架。边等于道路段，属性含车道数、限速、单双向与道路等级；节点等于交叉口。车道数与限速的乘积即理论通行能力，图上表现为容量小且入度高的瓶颈边，疏散路线分配必须绕开或配合反向管制使用。

建筑为节点，属性含人口（常驻与峰值）、楼层、用途与结构类型。人口与用途决定危险权重：同样位于高风险圈层，学校与仓储的处置优先级截然不同。

避难所节点携带容量与开放状态（评估中、开放、已满）。容量不足以覆盖波及人口时，分配算法直接报出供需缺口，触发 Agent Plan 生成新的方案约束。

关键基础设施（医院、水电气、通信）以节点加连接表达：医院是服务节点，水电主干是带容量与状态属性的管线边。级联失效（断电导致医院降级）正是图可达性分析的典型用例。

这些要素的共性是维护成本在平时、收益在灾时。静态层常驻内存，为仿真预计算与方案搜索提供稳定基线。

3.3 动态要素：叠加"此刻"的态势

静态图决定"可能怎样"，动态要素决定"此刻怎样"。

人口分布随时间与事件漂移：工作日集中在办公区，夜间回流住宅区，节假日景区骤增。以静态人口做疏散规划，等价于拿昨日的城市做今日的决策，因此动态人口是疏散仿真最重要的输入之一。

交通流状态（速度、密度、占用率）以时间戳版本挂载到路网边，既反映常态拥堵，也反映灾中管制后的流量再分布。气象与灾情感知数据（雨量、火点、危化品浓度）叠加到对应节点或边，作为蔓延仿真的实时驱动。

动态要素管理的关键是版本化：每个属性快照带时间戳，支持"回到 T 时刻的图"做历史对照与方案回放。静态结构单一版本，动态属性链式追加，查询按时间戳取快照——为影响场建模与仿真输入准备了一致性基础。

3.4 灾害影响场建模：从感知到仿真输入的桥

影响场把连续灾害状态离散到图上：依据源强与气象条件，将危险等级划分为圈层（核心区、波及区、安全区），节点被赋予危险等级属性；与圈层相交的节点构成受影响节点集；道路段与管线边按损毁判定置为"阻断"“中断”"降级"等状态。

影响场不是一次性计算结果，而是随感知数据持续更新的动态图层：火势蔓延一格、洪水上涨一档，均触发属性增量更新。其输出直接作为下游仿真输入——蔓延仿真以影响场为初值演进，疏散仿真以影响场为约束（阻断边不可通行、受影响节点优先疏散）。

图 2 给出城市图数据模型的全景关系。

图 2 将静态与动态要素统一汇入城市图，经影响场建模产出仿真输入；结构同构意味着仿真结果也能以相同的节点-边-属性形式回流，为第 4 章的态势闭环提供基础。

第 4 章 应急仿真引擎与 Agent 的协同

第 3 章的数据底座回答"城市是什么样"，本章回答"它会怎么样"。仿真引擎把灾害演进与人群运动外化为可调用的计算服务，Agent Plan 与 DeepSeek Harness 决定"何时算、算多细、结果怎么用"。本章依次给出两类仿真的定位与代价、仿真器参数化契约、三方交互协议与态势回写闭环。

4.1 两类仿真：蔓延与疏散

灾害蔓延仿真刻画灾源的空间扩散过程。洪涝采用水文水动力类扩散模型，火灾与危化品扩散常采用元胞自动机或烟羽扩散类模型。输入为源强、气象、地形与影响场初值，输出为逐时间步的危险等级场与波及范围。计算代价由网格分辨率与时间步长决定，精细网格下推演耗时可达分钟至小时级。

人群疏散仿真刻画人群在路网与设施间的移动。个体级模型（社会力、导航场伴走等）逐人建模，能反映恐慌、拥堵、绕行等微观行为，百万级个体推演常达分钟至小时级；宏观流量模型以路网边容量与流量密度关系刻画，秒级完成，但粒度粗，难以表达"西侧出口拥堵源自人群回流"这类微观成因。输入为人口快照、路网状态与疏散方案，输出为疏散完成时间、拥堵段与避难所饱和度。

4.2 仿真器作为工具：参数化调用与分级精度

仿真器以工具形式接入 DeepSeek Harness 的工具注册表，暴露参数化契约：场景快照（图版本哈希加动态属性时间戳）与参数集（源强参数、模型选择、精度档位、时长与步长）输入，结果时间序列输出。接口按纯函数设计——同一快照与参数必然产生同一结果，Agent Plan 才能无副作用地切换、回溯、对比方案，并支持结果缓存。

计算代价与决策时效存在根本矛盾，接口须提供精度时效分级。高精度档（细网格蔓延模型加个体级疏散模型）用于离线预案推演与复盘；快速档（降阶模型、粗网格、宏观流量模型）用于在线决策，支撑分钟级多轮迭代。调度层另设预计算结果索引：对常态情景库预计算标准化结果，灾时以场景哈希近似匹配作为初值，再用快速档增量校核，把"从头算一遍"压缩为"基于近邻情景改一版"。原则：仿真的目标是"在决策时效内给出足够可靠的答案"，而非绝对精确。

4.3 规划-仿真-评估交互协议

仿真请求自 Agent Plan 发起，经 DeepSeek Harness 校验与调度后抵达仿真引擎，结果以结构化回执返回。字段分三层。

请求层：请求 ID（幂等跟踪，重复提交不重复计费）、目标指标清单（声明所需输出，缺省全量摘要）。场景层：场景哈希（输入快照一致性指纹，保证"请求的图"与"执行的图"同一版本，杜绝跨版本错配导致决策偏差）、精度档位。回执层：schema 化结果，含关键指标摘要（疏散完成时间、波及人口、最大拥堵度、避难所峰值饱和度）与逐时间步摘要（固定步长降采样序列，而非逐格点原始数据）。

回执 schema 的设计要点：关键指标压缩为标量集，便于方案横向比较；逐时间步摘要保留演进信息，使 Agent 能识别"第六步出现拥堵突变"式动态特征；原始格点或轨迹数据不进模型上下文，以结果 ID 落库按需取用，控制传输与 token 代价。

错误路径同样纳入协议：参数校验失败返回错误码、原因与可修正提示，Agent Plan 据此修正重发；仿真中止返回部分结果与断点信息。请求-校验-修正构成协议级闭环，无效计算在 Harness 层被拦截。

图 3 给出三方交互的完整时序。

图 3 中，DeepSeek Harness 是请求侧单一入口：参数校验、资源配额、结果降维与态势写回均在此收敛；仿真引擎保持无状态服务形态，Agent Plan 始终面向结构化回执做决策。

4.4 仿真结果回写图数据：态势更新闭环

仿真结果的最终去向不是报告文本，而是回写图数据本身。波及范围写回节点危险等级属性，拥堵段写回边通行状态与等效通行能力，疏散进度写回避难所饱和度与路段流量。写回以"仿真时间步-方案版本"为粒度构成历史属性链，支持事后态势回放。

回写的结构意义大于数值意义：写回后的图成为下一次请求的场景快照，Agent Plan 的多轮迭代因此具备"记忆"——方案 B 的评估天然继承方案 A 的影响结果，无需重算全量态势。与第 2 章的定位一致：迭代不是独立重复评估，而是基于态势演进的递进决策。

至此，规划-仿真-评估-写回构成完整闭环。请求校验、资源调度、结构化解析、结果降维、写回控制，都是围绕 DeepSeek 模型推理展开的设计决策——这正是下一章 DeepSeek Harness 的执行封装命题：让模型在可信、可控、可观测的边界内驱动这套循环。

第 5 章 DeepSeek Harness：模型封装与工具编排

第 4 章把仿真引擎封装为 Agent 可调用的工具，但把 DeepSeek 系列模型嵌入这条链路，不能只做裸 API 调用。DeepSeek Harness 的职责是：将模型的语言能力封装为可控、可校验、可审计的执行能力，让模型"想得到"的东西同时"算得准、调得动、记得住"。

5.1 为什么需要 Harness：裸调 API 的不足

直接裸调大模型 API 驱动应急仿真协同，会暴露四类结构性问题。

一是幻觉与数字不可信。生成式模型对数值是"生成"而非"计算"，直接回答疏散时长只会得到表面合理、实则无依据的数字。应急决策对数字敏感，错误数值会沿决策链放大，故数值必须由工具计算、而非由模型宣称。

二是输出格式不稳定。同一请求可能返回文本、列表或嵌套 JSON，而下游对接仿真引擎参数、地图标注或指令清单都需要确定性结构，格式漂移会让管线不可用。

三是模型不会调用工具。模型只能发出操作意图，无法真正执行图查询、路径计算与仿真运行，工具调用需要专门的封装、校验与执行机制。

四是无跨轮记忆。疏散方案迭代是跨轮协作，裸 API 每次调用无状态，Agent Plan 只能重喂全部上下文，窗口迅速耗尽且成本失控。

因此 Harness 的定位是：给模型装上可控的手脚与记忆——手脚是工具注册与执行机制，记忆是上下文与关键事实的持久化管理，并以结构化输出与安全护栏保证产出可校验、可回退、可审计。

5.2 Harness 核心能力

推理控制。Harness 按任务性质切换采样策略：数值与确定性任务采用低温采样（示意，如温度趋近于零）并执行"单轮窄问"，把复杂目标拆成单点问题逐次追问，避免一次生成内合并多个计算；探索性任务才放开温度换取多样性。追问策略由任务单声明，Harness 据此约束生成自由度。

工具注册与执行。工具以函数签名注册，声明入参类型、取值范围与依赖关系；调用前先做参数校验，非法参数直接拒绝而非放给模型"再试一次"；执行设置超时，仿真类上限显著高于查询类；失败按退避策略有限重试，超过上限把原因写入回执，不静默吞错。

结构化输出。每次模型调用都声明 JSON Schema，明确字段、类型、必填与枚举。产出先做语法解析再做 Schema 校验，失败时返回具体错误字段并限定次数要求修复，从源头阻断脏 JSON 流入下游。

上下文与记忆管理。Harness 维护跨轮关键事实缓存，采用"摘要文本 + 对象引用"双轨存储：摘要供模型快速理解，引用供后续精确定位；窗口接近上限时按时间与相关性压缩历史轮次，始终保留任务单的目标、约束与最新仿真指标。

安全护栏。分两级：权限层按工具白名单放行，拒绝未注册或越权调用，并对写操作（如修改路网属性）单独加锁；数值合理性检查层对工具结果与模型输出做物理边界校验——疏散时长不低于物理最短通行时间、避难所分配不超过容量、路段流量不超过通行能力，超界输出一律拦截并要求改用工具计算。

5.3 工具集设计

围绕疏散优化链路，工具划分为四类。

查询类：图表城市图数据查询（按节点、边、属性组合检索）、地理编码、路况查询。计算类：路径计算（最短路径与 k 条候选）、容量核算（道路通行能力、避难所剩余容量）、指标计算（按评估指标口径）。仿真类：灾害蔓延仿真与人群疏散仿真的封装，异步执行并返回评估指标。表达类：方案文本生成、地图标注（路线、禁区、避难所图层）、指令清单导出。

所有工具以统一注册表登记，每项四个字段：name（唯一标识）、description（功能描述，决定检索命中质量）、parameters schema（入参）、returns schema（出参）。模型能否"找到"工具取决于描述质量，能否"用对"取决于 schema 校验；检索时 Harness 只暴露与当前任务相关的子集，缩小选择空间、降低误调用概率。

5.4 Harness 与 Agent Plan 的接口约定

两个核心契约支撑二者协同。

任务单（task card）是 Agent Plan 下发的标准化请求：目标、约束（迭代上限、时间预算、禁入区域等）、优先级、期望产出 schema。它是"做什么"的声明，也是 Harness 组织执行与选择工具的输入。

结果回执（result receipt）是 Harness 返回的标准化结果：状态（成功、失败、部分成功）、数据（按期望产出 schema 结构化）、警告（如数据缺失改用替代口径）、失败原因（含失败阶段与重试履历）。回执让 Agent Plan 无需解析自由文本即可决策下一步。

由此三层解耦：DeepSeek Harness 管"模型怎么想、工具怎么用"，Agent Plan 管"做什么、按什么顺序做"，仿真引擎只负责算。

图 4 给出了 Harness 内部处理流程：从收到任务单到汇总回执，每一步都留有校验与回退出口。

图中"结果校验"是核心闸门：同时承担 Schema 校验与数值合理性检查，失败即回退（修订参数重试或更换工具），通过后才汇总回执，保证未经校验的结果不流出 Harness 边界。

第 6 章 疏散方案优化：从仿真到可执行方案

第 5 章解决了"模型如何可靠地调用仿真与工具"，第 6 章回到方案层面：Agent Plan 如何把仿真评估转化为可执行的疏散方案，并回答"什么样的方案值得执行、如何证明它值得执行"。

6.1 疏散问题建模

疏散问题可形式化为一个受资源约束的多目标决策问题，三类要素缺一不可。

决策变量四组：分区划分（切分疏散分区并确定疏散次序）、路线选择（分区到避难所的路由）、避难所分配（分区与避难所的对应关系）、管控措施（单向疏导、路段封闭、公交转运的启用时机与范围）。约束三类：道路容量约束（单位时间通过能力上限）、避难所容量约束（接纳人数上限）、可达性约束（受灾后路网连通性变化，断点与封控路段不可用）。目标即五项评估指标：总疏散完成时间、平均疏散时长、拥堵度、风险暴露量、避难所覆盖率。

多目标权衡是必然的：压缩总疏散完成时间可能牺牲高优先级分区，提升避难所覆盖率可能推高拥堵度，五项指标间不存在单一最优解。因此方案生成的目标不是"求最优"，而是产生一组覆盖不同偏好的折中候选，取舍交由决策者在回路中完成，这也要求优化闭环能解释每项指标的代价来源。

6.2 Agent Plan 的方案生成策略

核心原则：先生成可解释的启发式方案，再交给仿真验证，而不是让模型直接输出最终数字。模型负责编排与选择，数字一律由工具计算。生成分四步。

第一步，由灾害影响场推导初始分区。依据灾害蔓延仿真输出的影响范围与风险分级划分疏散分区，高风险区先疏散、低风险区后疏散，形成时间优先级。第二步，基于图最短路径与容量约束生成候选路线。在图表城市路网上先求最短路径集合，再做通行能力过滤并扩展为 k 条候选，保证每条路线有图论与容量双重依据。第三步，避难所容量匹配。按就近优先结合先到先得做分区-避难所匹配，容量不足时调整分区次序或引入替代避难所，匹配结果反向约束分区边界。第四步，附加管控措施。对瓶颈路段附加单向疏导，对风险跨坍路段执行封闭，对长距离分区配置公交转运。

启发式先行的合理性在于可解释、可审计，每一步都有明确依据；而模型若直接输出最终数字，既无法自证，也无法回答"为什么是这个方案"，这在应急决策中不可接受。

6.3 仿真评估与迭代优化闭环

启发式方案未经验证不能直接落地，闭环包含五步：生成候选方案 → 仿真评估 → 指标诊断与归因 → 针对性修正 → 再次仿真。

仿真评估由仿真引擎输出五项评估指标；指标诊断由 Agent Plan 与 Harness 协作完成：定位瓶颈路段（拥堵度异常）与过载避难所（覆盖率不足、排队过长），并只调整归因对应的决策变量——瓶颈路段回溯修正路线或追加管控，过载避难所回溯修正分配或调整分区次序，不做盲目重排。

闭环需要收敛判据与迭代上限：连续两轮关键指标改善低于阈值（示意，如总疏散完成时间改善不足 1%）即判定收敛并停止；达到迭代上限（示意，如预定义的最大轮数）同样停止。上限是必要的：每次仿真都有真实计算成本，无限迭代拖累时效，也不符合应急场景对响应速度的硬约束。

图 5 展示了这一迭代闭环的全貌。

判定"是否合格"融合了两类条件：指标是否满足任务单中的约束目标（由 Agent Plan 判定），以及是否达到收敛判据或迭代上限（由 Harness 依据回执状态判定）。不合格则进入针对性修正并回到仿真，合格则输出最终方案。

6.4 方案的落地表达

最终疏散方案以三种数字化形态输出，均面向"被系统直接消费"而非"被人类阅读"。

指令式清单：每条指令为结构化元组——对象（哪个分区、哪个部门）、时机（何时执行，与仿真时间轴对齐）、动作（启动疏散、封闭路段、启用转运），逐条可下发、可勾稽、可留痕。地图标注：路线、禁区、避难所三类要素生成标准图层（示意：每个要素携带标识、几何与属性），叠加到图表城市底图供大屏与指挥端渲染。预案文档：将指令清单、地图图层与最终评估指标汇总为预案正文，供发布与归档。

数字化表达的深层意义在于衔接：方案若停留在自然语言报告，就无法与既有应急指令系统对接；而清单、图层与指标三类产物都是结构化数据，可直接路由到大屏展示、消息推送与指令下发通道。至此，从灾害影响场到可执行疏散方案的链路闭环，而把这条链路落到真实系统、性能达标并稳定运行，正是第 7 章"工程实践"要回答的问题。

第 7 章 工程实践与示例走查

第 6 章定义了 Agent Plan 与 DeepSeek Harness 的协作机制，本章落到工程实施：给出可选技术栈，拆解提示词与工具协议设计要点，并以"暴雨内涝条件下的分区疏散"为例走查全链路。示例数值均为示意数据，仅用于展示流程形态。

7.1 模块清单与技术路线示意

系统由四个核心模块构成，均可选用成熟组件或自研实现，以下为示意性技术路线，不构成唯一性断言：

• 图表城市存储：以图数据库承载节点-边-属性结构，可选用 Neo4j 或云图数据库服务；动态人口、实时积水等时序数据置于外部时序存储，避免高频写入污染图数据。
• 仿真引擎：分为灾害蔓延仿真与人群疏散仿真两类，以工具形式被 Agent 调用。人群疏散可选用社会力或宏观流模型，灾害蔓延依灾种选择模型（内涝演进、火势扩散等），示意实现可先以简化模型起步。
• Agent 编排框架：承载 Agent Plan，负责任务状态机、工具调度、重试与权限隔离，可选用 LangGraph 或自研轻量编排层，关键要求是可观测、可回放、可人工接管。
• DeepSeek 模型服务：经 DeepSeek Harness 统一接入 DeepSeek-V3 / R1 系列模型，完成推理控制、上下文管理、结构化输出与安全护栏；模型服务层与编排框架解耦，便于替换与并置多模型。

数据流向为：图表城市数据 → Harness 工具封装 → Agent Plan 决策并调用仿真引擎验证 → 输出疏散方案；仿真引擎与模型服务天然解耦，是方案可演进、可替换的基础。

7.2 提示词与工具协议设计要点

Agent Plan 的系统提示固定为四段式：一是角色与边界，职责是出方案、做编排、下结论，不直接执行物理动作（如不控制信号灯，只输出管制建议）；二是目标与约束，目标用评估指标显式量化（如"总疏散完成时间最小化、避难所覆盖率不低于 95%"），约束覆盖安全红线与数据权限——目标含糊是方案走偏的最大来源；三是可用工具清单，逐一列出名称、触发条件与副作用，避免模型自行猜测能力范围；四是输出格式，规定为结构化指令清单与 JSON 摘要，便于解析、校验与存档。示意提示词骨架如下：

你是城市灾害应急疏散规划智能体，职责是：
- 将疏散任务分解为可执行步骤并排序；
- 调用仿真引擎评估方案，依据评估指标迭代改进；
- 输出结构化分区疏散指令清单。

约束：不得编造路段、避难所或人口数据；所有数值结论必须以
仿真引擎或图数据库返回结果为依据；交通管制决策须注明管制时段。

工具协议采用 JSON Schema 函数注册，示意如下：

{
  "name": "run_evacuation_simulation",
  "description": "对给定疏散方案运行人群疏散仿真，返回评估指标",
  "parameters": {
    "type": "object",
    "properties": {
      "plan_id": {"type": "string", "description": "方案 ID"},
      "route_assignments": {
        "type": "array",
        "items": {
          "type": "object",
          "properties": {
            "zone_id": {"type": "string"},
            "routes": {"type": "array", "items": {"type": "string"}}
          }
        }
      }
    },
    "required": ["plan_id", "route_assignments"]
  }
}

函数注册由 DeepSeek Harness 管理：模型只声明意图，实际调用、鉴权与限流均由 Harness 执行。工具失败必须显式降级——超时（如 60 秒）先重试一次；仍失败则改用低精度近似（粗网格替代精细路网、以淹没深度阈值加静态路网推算延误），并标注"近似值，置信度低"；仍不可行则转入人工兜底，由值班席位复核"待确认项"。原则是：宁可降级给出带标注的近似结果，也不允许模型自行填补数值——这是防幻觉的工程基线。

7.3 完整示例走查：暴雨内涝条件下的分区疏散

全链路以六个步骤走通，所有数值均为示意数据。

步骤 1：场景设定（示意数据）。某滨河城区持续暴雨，24 小时累计降雨 280 毫米（示意数据）。水文模型推算 A、B、C 三个片区面临内涝风险，涉及居民约 8.4 万人（示意数据）；区内避难所 5 处、总容量 9.2 万人（示意数据）；部分低洼路段预计 3 小时后积水超过通行安全阈值（示意数据）。目标：总疏散完成时间尽量短，避难所覆盖率不低于 95%。

步骤 2：数据装载。DeepSeek Harness 调用图数据库接口装载受灾区子图（片区-路网拓扑、避难所容量、建筑人口），并入动态人口分布（示意数据，基于手机信令网格统计），生成带时间戳的状态快照。

步骤 3：Agent Plan 规划。任务分解为风险区疏散排序 → 避难所分配 → 路线分配 → 错峰优先级 → 交通管制 → 指令清单生成。初版方案：A 片区优先疏散（积水最快），B、C 错峰 30 分钟；避难所按就近与容量余量匹配；选主干道 3 条、支路 2 条为疏散通道。

步骤 4：Harness 调仿真。Agent Plan 将方案序列化为工具参数，经 DeepSeek Harness 调用仿真引擎，返回评估指标（示意数据）：总疏散完成时间 132 分钟、最高拥堵度 0.94、覆盖率 0.91。不达标：覆盖率低于 95%，2 号主干道接近饱和。

步骤 5：方案评估与迭代。Agent Plan 反推瓶颈：B 片区错峰不足致 2 号主干道过载，避难所 4 利用率偏低。调整：B 片区延后 20 分钟、增开 6 号支路分流、C 片区部分人群改配至避难所 4。再仿真（示意数据）：总疏散完成时间 96 分钟、覆盖率 0.97、拥堵度 0.72，达标终止（共 3 次调用，为示意流程形态）。

步骤 6：最终输出。输出三份产物：指令清单、地图标注、预案文本。指令清单示意如下：

[指令 1] 14:00 启动 A 片区疏散，经 2 号/5 号路线转移至东岸避难所（容量余量 1.1 万人）；
[指令 2] 14:30 启动 B 片区疏散，经 6 号支路分流，避开 2 号主干道；
[指令 3] C 片区 15:00 启动，部分人群改配至北城避难所 4；
[指令 4] 15:00-18:00 对 2 号主干道、6 号支路实施管制，仅允许疏散车辆通行。

仿真引擎回执的 JSON 摘要（示意数据）如下：

{
  "plan_id": "evac-20260915-003",
  "iteration": 3,
  "total_evacuation_time_min": 96,
  "avg_evacuation_time_min": 53,
  "max_congestion": 0.72,
  "coverage": 0.97,
  "risk_exposure": 2140,
  "status": "PASS"
}

地图标注渲染疏散路线、管制路段与避难所容量状态，预案文本按应急管理部门格式组装；三份产物均注明"由 AI 生成，需经值班指挥人员审核后执行"，人机协同的边界在此收口。至此，从图表城市数据到仿真再到决策产物的全链路贯通，"数据-模型-仿真-决策"闭环在工程上可完整落地。

第 8 章 局限性与未来展望

系统仍处于工程验证阶段，以下局限性应当被如实承认，它们决定了方案从"可行"到"可信赖"之间的距离。

8.1 当前局限

其一，大模型幻觉与数值结果不可验证。即便有严格的系统提示与工具协议，模型仍可能在数据缺口处自行填补路段、容量或时长等数值，且推理过程难以逐条举证。当前只能以仿真回环校验和强制数值断言缓解，无法根除。其二，对实时数据质量与接入的强依赖。疏散决策高度依赖积水水位、信令人口、车流等实时数据，接入时延、覆盖稀疏与数据缺失都会使方案退化为常识推演，而常识推演恰恰是最不可验证的。其三，算力成本。DeepSeek 模型多轮迭代与高保真仿真叠加，单轮决策可能耗时数分钟至数十分钟，与应急场景的秒级响应窗口存在张力，也限制了高频演练与参数扫描。其四，缺乏标准化评估基准。目前没有公开的应急疏散数据集与统一对齐口径，各方算法结果不可复现、不可横向比较，"AI 方案优于人工方案"这一核心主张尚缺乏可重复验证的证据。

8.2 未来方向

针对上述局限，后续演进有四条主线。一是与城市数字孪生对接：以实时孪生体替代静态快照，使仿真输入持续逼近真实状态，并支持决策过程的可视化复盘。二是多 Agent 协作：由单一 Agent Plan 演化为分区域应急指挥 Agent 群，各区域 Planner 自治推演、主 Planner 统筹冲突仲裁，提升扩展性与容错。三是用强化学习为方案调参：将仿真引擎作为环境，学习疏散启动顺序、错峰间隔等策略参数，把反复试错的算力成本前置到离线训练阶段。四是建立面向应急场景的评测基准与回放复盘机制：沉淀典型灾害场景数据集与评估指标口径，让每次实战与演练的决策轨迹可回放、可对标、可归档，逐步积累"方案质量在提升"的可度量证据。四者共同指向同一目标：把系统的输出从"看起来合理"推进到"可验证地更优"。

第 9 章 结语

本文提出的方案，本质是把两件事分开做对：Agent Plan 负责提供"决策剧本"——任务分解、方案编排与迭代决策，回答"做什么、按什么顺序做"；DeepSeek Harness 负责提供"可信执行"——推理控制、工具调用、上下文管理与安全护栏，确保决策每一步都有据可依、可追踪、可降级。二者叠加图表城市数据底座与仿真引擎，共同构成"数据-模型-仿真-决策"的完整闭环：数据喂养模型，模型驱动仿真，仿真校验方案，方案反哺决策。

这套闭环的工程可行性已经通过全链路走查得到验证（见 7.3 节），但距离实战落地仍有距离。我们给出三条务实的落地建议。第一，从小场景切入：选择单一灾种、单一城区、以预案演练为起点，把全链路跑通、跑稳，再谈规模。第二，坚持人机协同：让系统输出初稿方案与评估摘要，由值班指挥人员终审签发，先作为决策支持而非决策替代，逐步积累信任。第三，逐步扩展：按"数据接入 → 场景覆盖 → 自动化程度"三个维度渐进推进，每扩展一步都以上一步的真实运行数据为证。把"能演示"做扎实，才有资格谈"能实战"——这是对所有应急智能系统最朴素也最有效的检验标准。