地质灾害预警有个老毛病： slope（坡度）、rainfall（降雨量）、temperature（温度）全塞进一个模型，黑箱输出"高风险"三个字，你问它为什么，它答不上来。
开发者用Google ADK做了个反常识的尝试——不追求模型更大，而是把"专家"拆开。一个只懂地质，一个只懂气候，让它们像真实科研团队那样协作。
这就是GeoHazard AI的核心思路：用Multi-Agent架构（多智能体系统）替代单一大模型。
【地质专家：Hazard Agent】
这位"专家"被严格限制职权范围：
✅ 分析坡度条件
✅ 识别地形风险因子
✅ 判定危险等级
❌ 绝不碰气候数据
代码层面的硬性隔离：@hazard_agent.tool装饰器下的landslide_tool函数，只接收slope和rainfall两个参数，但rainfall在这里仅作为阈值判断条件，不做气候学解读。当坡度>30度且降雨量>100mm时，返回"High Landslide Risk"（高滑坡风险）。
这种"故意设限"的设计，是为了演示Multi-Agent Systems的核心概念：role separation（角色分离）。
【气候专家：Climate Agent】
另一位"专家"完全反过来：
✅ 评估降雨强度
✅ 分析温度异常
✅ 识别环境胁迫因子
❌ 不做任何地质解释
两个agent各自独立，可以单独升级、单独训练。Climate Agent换一套降水预测模型，不影响Hazard Agent的地质评估逻辑。
【协作层：GeoHazard Reasoning】
真正的价值在第三层——让两个专家"开会"。系统设计了专门的协作workflow，把Hazard Agent的地质评估和Climate Agent的环境分析整合成综合判断。
这不是简单的结果拼接。原文展示的结构是：Hazard Agent先输出地形风险，Climate Agent再叠加环境胁迫因素，最终形成分级预警。
开发者明确说，这种架构的优势在于三点：
• scientific reasoning（科学推理过程可追溯）
• transparency（决策透明）
• modular AI design（模块化设计）
【一个诚实的注脚】
项目提交时有个重要说明：agent在开发阶段确实用Google ADK成功运行过，但后续因项目权限和计费限制，原云执行环境已无法访问。
开发者没有隐瞒这一点。Project ID（geohazard-agents）和Project number（322609188016）都公开列出，并转向"可复现的学习系统"定位——读者可以自己创建GCP项目、启用Vertex AI、安装ADK、跑通提供的脚本。
这种处理方式本身也是一种示范：教育类项目的价值在架构理解，不在基础设施维护。
【谁可能用得上】
项目目标受众写得很清楚：
• 学Multi-Agent Systems的学生
• 做Scientific AI workflows的开发者
• 研究Climate & Earth Science的科研人员
• 想掌握ADK Agent specialization的工程师
一个细节：整个系统没有调用外部地质数据库或实时气象API，工具函数用的是简化逻辑。这说明核心教学目标是"架构思维"而非"工程完备"。
把大模型拆小、把能力拆散、把决策过程摊开——这个实验的价值，或许在于证明了AI系统可以不像黑箱，而像一支分工明确的科研小组。
热门跟贴