SIREN：一篇把极端天气预警拆成600道题的论文，暴露了LLM Agent的短板也补了它

做极端天气预警这件事，比想象中更不"AI"。气象局里真正干活的人，不是坐在那等一个模型输出就发警报的。他们要同时盯雷达回波、卫星云图、地面观测站、数值预报、历史相似案例，然后在一个窗口期极短的时间里做判断——现在发预警，还是再等一轮数据？

这一连串动作，从数据采集到研判到预警发布，业内叫"预警链"（warning chain）。链上每个环节都有专门的工具和模型，但链本身——怎么串起来、怎么在有限时间内做决策——全靠人的经验。

香港科技大学等机构的研究者最近在 arXiv 发了一篇论文，叫 SIREN，用 LLM Agent 把极端天气的端到端预警自动化。他们先搭了一个基准测试 SIREN-Bench，600 道题、19 个任务、覆盖 4 个单环节加一个完整的预警链。然后拿现有的几个天气 Agent 框架上去跑了一遍——单环节任务还行，一上完整链条，大多数 Agent 就掉链子了。

现有的天气 Agent 基本都是"单个科学任务"的自动化，比如"帮我查一下某地的风速""画一下这个区域的降水预测"。但真正的预警需要把异构数据串成一个判断链——确认极端天气是否正在或即将发生、评估影响范围和强度、决定是否触发预警、生成可操作的警报文本。每一步都可能引用不同来源的证据，每一步之间还有依赖关系。

SIREN 的框架设计有两个关键点。

它给 Agent 搭了一个执行环境，把多种异构的天气数据源和工具整合进去——Agent 在可控环境里调用 API、读结构化数据、看图，不需要自己去网上乱抓。这解决了 LLM 胡编数据源的问题。

另一个关键点是它提出了"经验驱动"（experience-grounded）的思路，让 Agent 学习气象专家怎么用历史案例。专家做预警时几乎一定会翻以前的相似事件——去年同期的台风路径、十年前类似强度暴雨的致灾情况。SIREN 通过检索（retrieval）找到相关历史案例，用技能蒸馏（skill distillation）提炼案例里的决策模式，再用预测建模（predictive modeling）把经验和当前数据融合，生成预警判断。

这个思路在 LLM Agent 论文里不算特别新，RAG 架构也不少见，但放到天气预警这个场景里，它解决了一个非常具体的问题：气象专家的经验很难编码成规则，但可以编码成案例，而案例正是 LLM 最擅长处理的东西。

论文里也指出了局限性。SIREN-Bench 目前是问答形式的评估，和真实预警场景里的时间压力、多源冲突、决策责任还有差距。框架本身对历史案例的质量和覆盖度有要求，一个地区的历史数据稀疏，经验驱动就很难发挥。

SIREN 这篇论文没有宣称"搞定了极端天气预警"——它先指出现有 Agent 做不了这件事，再做了一个系统来证明这条路能走。做 Agent 开发的人可以从中看到一个参考——不是所有专业场景都能靠工具调用解决，经验本身需要被显式工程化。

论文目前公开在 arXiv 上，ID 是 2607.24588。没有看到开源代码或 Demo 链接，跟进还需要再等等。

相关链接

• 论文页面：https://arxiv.org/abs/2607.24588
• PDF：https://arxiv.org/pdf/2607.24588