基于LLM的SWAT+校准中，结构化工具接口能提供什么功能，又无法提供什么功能？

《Environmental Modelling & Software》：What Structured Tool Interfaces Do and Do Not Provide for LLM-Based SWAT+ Calibration

　　摘要：大型语言模型代理越来越常与科学模拟工具结合使用，但结构化的工具界面如何影响操作的可靠性以及决策的溯源能力仍不清楚。本研究提出了Hydro-MCP这一模型上下文协议框架，它通过类型化函数架构、参数范围验证、结构化诊断反馈以及轨迹记录来约束由大型语言模型驱动的SWAT+模型运行。我们在城市型的Jungnangcheon流域进行了六级逐步消除法测试，同时使用了参考基准测试、农村型的Jiseokcheon压力测试以及单独的故障测试来评估Hydro-MCP的效果。在较为简单的Jungnangcheon测试中，采用完整Hydro-MCP配置时，模型评估次数显著减少，仅为无结构化大型语言模型操作的21.9 ± 5.3次，而对比未经结构化处理的方案为62.0 ± 16.5次（p < 0.001），不过最终模型的性能表现几乎没有任何差异（月度NSE值约为0.893）。另一种随机搜索基准方法虽然也需要较少的评估次数，但其最终NSE值略低，这说明Hydro-MCP提升的是大型语言模型引导下的操作效率，而非非大型语言模型方法的效率。在Jiseokcheon测试中，完整配置能够在所有测试中完成模型运行，在10次测试中有7次达到一级完成标准，而二级和三级测试则未能启动SWAT+模拟。这种完成结果反映了工作流的访问与执行问题，后续的KGE分析、终端参数检测以及过程一致性分析都显示，尽管模型拟合效果尚可，但实际上存在“僵尸校准”现象。故障测试进一步表明，仅依靠日志和范围约束无法识别出模型状态中的物理故障。因此在所测试的工作流中，完整的Hydro-MCP配置提升了操作控制能力，并实现了可追溯的决策过程，不过要确保水文模型的有效性，仍需进行过程层面的一致性检查。

引言：基于物理的水文模型将我们对水流在景观中流动规律的理解转化为计算模拟，这些模拟成果可用于洪水预报、水资源管理以及气候适应规划等方面（Arnold等人，1998年；Bieger等人，2017年）。其中，土壤与水资源评估工具加版（SWAT+）是应用最广泛的模型之一，其应用范围涵盖了全球数千个流域（Gassman等人，2007年）。然而，从模型可用性到实际应用效果之间始终存在着一个瓶颈，那就是模型校准问题。对SWAT+进行校准，即调整模型参数以使模拟出的流量与实际观测值相匹配，并非一个简单的优化问题。这需要明确哪些参数会影响特定的水文过程，分析模拟流量与实际流量出现差异的原因，并基于物理原理做出合理的参数调整决策（Abbaspour等人，2015年）。现有研究普遍认为模型校准工作极为依赖专家经验：Abbaspour等人（2015年）指出，建模人员通常需要投入与构建模型相当的时间来进行校准工作，而各类模型评估报告也强调了不断优化模型表达方式以及调整参数以匹配实际观测结果这一过程具有高度的重复性和繁重性（Arnold等人，2012年）。对于那些结构复杂的分布式模型而言，即使是有经验的从业者，手动校准工作也会显得极其繁琐且效率低下（Abbaspour等人，2007年）。Gupta等人（2005年）还指出，基于物理的模型由于数据量庞大、涉及复杂的数学运算以及众多简化假设，给高效校准带来了诸多困难。我们将这种现象称为“模型与操作者之间的差距”，即模型的计算能力与用户有效操作该模型之间的差距（见图1）。这一差距包含两个方面：操作层面涉及配置、运行及排除模型故障所需的技术技能，这类工作通常要求操作者熟悉地理信息系统、命令行界面以及特定领域的文件格式；理解层面则需要具备科学判断力，以便判断模拟结果是否符合物理规律，分析模型与观测结果出现差异的原因，进而确定需要调整哪些参数以及调整幅度。这两个方面共同限制了能够使用基于物理的模型的人群范围，也影响了这类模型用于决策制定的速度。自动校准算法在一定程度上可以弥补操作层面的部分不足。诸如SUFI-2（Abbaspour等人，2004年）、粒子群优化算法（PSO）（Kennedy与Eberhart，1995年）以及动态维度搜索算法（DDS）（Tolson与Shoemaker，2007年）等方法，无需人工干预即可高效地在参数空间中进行搜索。近年来，可微参数学习框架也展现出在大规模范围内学习输入参数与模型输出之间映射关系的潜力（Tsai等人，2021年）。然而，这些方法都无法理解参数变化背后的物理意义，也无法诊断模型存在的结构问题，更不能根据中间得到的诊断结果调整自身的搜索策略。它们只会进行优化，却无法进行故障诊断，而当模型出现问题是由于结构缺陷而非参数错误时，这种区别就显得尤为重要。与此同时，研究人员还将大型语言模型与多个领域的科学仪器及模拟工作流程相结合，比如化学合成领域（Boiko等人，2023年；Bran等人，2024年）、原子力显微镜应用领域（Mandal等人，2025年），以及科学中的科学分析领域（Shao等人，2025年）。这些研究都表明，通过结构化接口将大型语言模型与特定领域的工具相连接，能够让科学计算超越传统的优化方法。在水文领域，也有不少研究开始探索这种架构模式（Hosseini等人，2026年；Ren等人，2024年；He等人，2025年）。EPANET-Agentic（Wang等人，2026年）展示了通过大型语言模型实现管道网络模拟的效果，在三个基准测试网络中的任务完成率均为100%。另外，AQUAH项目（Yan等人，arXiv:2508.02936，2025年）则实现了端到端的基于大型语言模型的水文建模，涵盖了数据检索、模型配置以及报告生成等多个环节。虽然AQUAH证明了端到端自动化技术的可行性，但它将大型语言模型视为一个黑箱式协调器，几乎没有对接口设置任何限制，其主要关注点在于完成整个工作流程，而非工具界面如何影响操作的可靠性以及决策的溯源能力。我们的研究则着眼于另一个互补性的架构问题：应当如何设计工具界面，才能让基于大型语言模型的分布式流域模型运行既符合物理规律，又具备操作可靠性，同时还能生成可记录的决策溯源信息？我们认为，本研究的主要贡献在于对操作框架的优化，而非提升模型自身的水文理解能力。据我们所知，此前还没有任何研究通过受控的逐步消除法框架，来评估基于大型语言模型的、具有物理基础且分布于不同空间的流域模型的运行效果，相比管道网络模拟，这类模型由于参数维度高且各过程之间存在非线性相互作用，其研究难度要大得多。在此，我们介绍了一种大型语言模型代理，该代理只能通过结构化的工具界面来操作SWAT+模型，这一界面即模型上下文协议——MCP，它是一种开放标准，可通过正式定义的函数架构将人工智能模型与外部工具相连（Anthropic，2024年）。我们的实现方案包含了10个主要功能以及17个辅助功能，总计1,974行代码，负责处理代理与SWAT+模型之间的所有交互。至关重要的是，该代理只能通过这些经过类型化处理且经过验证的函数与SWAT+模型进行交互，它无法直接编辑模型文件，也无法执行任意命令或绕过架构验证机制。这一设计体现了一个核心假设：包含类型化函数、物理范围检查功能、内置敏感性分析信息以及审计日志的结构化工具界面，并非对代理功能的限制，反而是一种重要的设计要素，它能将无序的语言生成过程引导为有序、可追踪的参数调整过程。我们的贡献并不在于将大型语言模型与模拟工具简单结合——这种结合模式如今已在众多科学领域出现——而在于系统地研究了在搜索效率、可靠性以及决策溯源能力方面，完整版的MCP配置与逐渐去结构化的操作方式之间的差异，而且我们将操作层面的溯源能力视为一种重要的设计要求，而非事后才需要考虑的因素。由于我们的逐步消除法研究是同时改变所有交互组件，而非单独分析某个约束因素的影响，因此该研究能够展现MCP配置的总体效果，而非确定是哪个具体的约束因素导致了观察到的差异。我们通过逐步去除不同约束层的研究方法来验证这一假设，同时测量这些变化对模型校准效果、运行安全性、物理一致性、搜索效率以及决策溯源能力的影响。具体而言，我们研究了三个方面的问题：（1）校准可行性：在易于处理的城区流域以及复杂度较高的农村流域中，经过Hydro-MCP约束的模型操作是否能够实现令人满意的校准效果？（2）收敛效率与操作可靠性：逐步去除约束条件会如何影响在易于校准的Jungnangcheon流域中的模型评估路径长度，以及在高复杂度要求的Jiseokcheon流域中的模型运行完成率？（3）决策溯源能力与诊断极限：Hydro-MCP配置能否生成可记录的决策过程轨迹，便于后续审查？此外，该代理是否具备超越简单模式匹配优化的诊断能力？

研究区域：Jungnangcheon流域面积为108.74平方公里，是韩国首尔汉江的一条南北流向的支流，它流经12个子流域，汇集了首尔东北部的地表径流，这些子流域的海拔范围从出口处的8米到森林覆盖的源头地区的703米不等，平均海拔为91米。该流域的城市化程度非常高：65.0%的土地为城市用途（其中中低密度住宅区占27.8%，商业用地占12.2%，交通设施用地占11.9%，高密度住宅区占11.1%，低密度住宅及工业用地占1.9%），33.4%……

结果1：大型语言模型驱动的城区流域模型校准：我们将该代理应用于韩国首尔高度城市化的Jungnangcheon流域（面积108.74平方公里）的SWAT+模型校准工作（见图4）。该代理通过MCP函数调用，依次调整5个校准参数，包括ESCO、PERCO、LATQ_CO、CN3_SWF（即SWAT+模型中的湿度条件III曲线数调整因子，相关定义见hydrology.hyd文件，该参数与旧版SWAT模型中的CN2参数不同）、SOL_K乘数等，共进行了10次迭代，每次迭代的平均耗时为165秒（属于0级配置，即完整版MCP配置；更多细节可见“结构化界面约束下的收敛效率”部分）。关键的定量研究结果表明，采用MCP配置的模型只需要21到26次模型评估就能达到接近最终目标的性能水平，而未采用任何约束条件的模型则需要62到65次评估才能达到相同效果（p < 0.001，威尔科克森符号秩检验），不过两种方案的最终NSE值并无明显差异（见表6）。Hydro-MCP配置并未提升模型的最终校准精度，但它改变了模型收敛的过程路径。这仅仅是测试工作流中模型评估次数的相对差异，并不能说明存在某种通用的最优解……

结论：在测试所用的易于处理的城区基准测试环境中，通过结构化的模型上下文协议界面来操作SWAT+模型的大型语言模型代理，其校准效果与未加任何约束条件的操作方式相当，同时在测试工作流中的模型评估次数也更少（分别为21.9 ± 5.3次和62.0 ± 16.5次，p < 0.001，威尔科克森符号秩检验）。完整的Hydro-MCP配置为该代理的搜索过程提供了有效的操作框架，使其能够更快地找到最优解……

CRediT作者贡献说明：Eungyu Park负责撰写原始稿件、项目管理、方法设计、资金申请、正式分析以及概念构思工作；Jangwon Park负责文本的审阅与编辑、模型验证以及方法研究工作；Taeyu Kim同样参与文本审阅与编辑以及方法研究工作；Aohan Jin负责文本审阅与编辑以及方法研究工作。

未引用文献：Yan等人，2025年；Yang等人，2024年。

软件与数据获取信息：软件名称为swat-mcp-agent，开发者为Eungyu Park、Jangwon Park、Taeyu Kim和Aohan Jin，联系邮箱为[e-mail]，该软件的首次发布时间为2026年3月28日。运行该软件需要满足以下条件：Python版本需在3.11及以上，SWAT+模型需要单独编译，还需设置ANTHROPIC_API_KEY环境变量作为Anthropic API密钥。该软件的编程语言为Python，源代码存储在https://github.com/egpark-knu/swat-mcp-agent地址上，GitHub仓库中还有README.md说明文件，以及v1.0.0版本的发布说明。数据方面，所有的代码、数据以及用于复现研究的相关材料均公开存储在https://github.com/egpark-knu/swat-mcp-agent地址上。该仓库中包含了MCP接口的源代码、两个流域对应的SWAT+模型输入文件、提示词快照以及工具架构的版本信息、包含种子索引和大型语言模型采样参数的运行记录文件、实验过程轨迹日志、基准测试任务的定义及评分标准，还有能源消耗与计算成本的相关记录。共享的运行记录中还包含了参数调整的相关信息……

利益冲突声明：Eungyu Park、Jangwon Park和Taeyu Kim均隶属于GeoAI Alignment, Inc.公司，Aohan Jin则表示自己没有竞争性利益关系。各位作者声明，他们所属的GeoAI Alignment公司并未对这项研究的设计、分析、解读或结果汇报工作产生任何影响。

利益冲突声明：各位作者声明自己不存在任何已知的、可能影响本文研究结果的财务利益关系或个人关系。

致谢：本研究得到了韩国政府科研基金委员会（NRF）的资助，该资金由韩国科技信息通信部提供支持（项目编号为RS-2023-002772264）。

作者名单：Eungyu Park | Jangwon Park | Taeyu Kim | Aohan Jin
所属机构：韩国庆北国立大学地球系统科学学院，韩国大邱市41566