这次我们来看一个很有意思的项目：AI 从一场流感爆发数据，自己跑通了传染病动力学建模。这听起来像是公共卫生领域的研究，但实际上它展示了当前 AI 在数据分析、模型构建和科学计算方面的强大潜力。简单来说，这个项目演示了如何利用 AI 技术，特别是大语言模型（LLM）或代码生成模型，基于给定的传染病爆发数据，自动推导并实现经典的传染病动力学模型（如 SIR、SEIR 模型），并进行参数拟合与预测。

对于数据分析师、公共卫生研究者、流行病学学生，或者任何对“AI+科学计算”感兴趣的技术开发者来说，这都值得关注。它的核心价值在于，将复杂的数学建模过程部分自动化，降低了专业门槛，让研究者能更专注于问题本身而非代码实现细节。本文将带你了解这类项目的核心能力、实现思路、环境准备，并通过一个模拟的实战流程，展示如何从数据到模型，最终完成一次完整的“AI辅助建模”。

1. 核心能力速览

这类项目并非一个固定的软件包，而是一种技术范式的演示。其核心能力体现在流程自动化与智能辅助上。

2. 适用场景与使用边界

适合谁用？

• 流行病学与公共卫生学生/研究者：快速验证模型假设，理解不同参数对疫情曲线的影响。
• 数据分析师与数据科学家：接触新领域（如传染病学）时，借助 AI 快速搭建可运行的分析管道。
• AI 应用开发者：探索“AI for Science”的落地场景，构建智能分析工具。
• 教育工作者：制作生动的教学案例，展示从数据到模型的完整过程。

能解决什么问题？

1. 降低建模门槛：使用者无需精通微分方程求解和优化算法的每一个编码细节，AI 可以生成基础代码框架。
2. 加速原型迭代：快速尝试不同模型（SIR vs. SEIR）或不同拟合方法，比较结果。
3. 减少错误：AI 生成的代码通常结构清晰，减少了因手写代码导致的低级错误。
4. 促进跨学科理解：用可执行的代码和可视化结果，帮助非数学/编程背景的研究者直观理解模型。

不适合什么场景？

1. 替代专业判断：AI 负责代码实现和计算，但模型的选择、参数的生物学意义解读、结论的可靠性评估必须由领域专家完成。
2. 处理高度复杂或非标准模型：对于极其定制化、包含大量异质性或随机过程的模型，AI 可能无法直接生成正确代码，需要大量人工调整。
3. 生产环境直接部署：此类项目生成的通常是原型代码，在投入实际疫情预测或政策支持前，需要经过严格的代码审查、验证和工程化改造。
4. 数据敏感场景：处理真实的、未脱敏的传染病数据时，必须严格遵守数据安全和隐私法规，不能将敏感数据随意输入第三方 AI 服务。

合规与伦理边界

• 数据使用：确保使用的疫情数据是公开、合法、符合使用协议的。对于敏感数据，应在隔离环境中使用本地化部署的 AI 模型进行处理。
• 结果解读：必须明确声明这是“AI 辅助的模拟结果”，并非精准预测。模型的输出高度依赖于输入数据和假设，不能作为唯一决策依据。
• 模型透明度：应保留并审查 AI 生成的所有代码和逻辑，确保过程可追溯、可复现。

3. 环境准备与前置条件

要复现或实践“AI跑通传染病建模”这一过程，你需要准备以下环境。我们将以最通用的 Python 环境为例。

3.1 基础软件环境

• 操作系统：Windows 10/11, macOS, 或 Linux (如 Ubuntu)。推荐 Linux 或 macOS 以获得更好的包管理体验。
• Python 版本：Python 3.8 - 3.11。建议使用conda或venv创建独立的虚拟环境。
• 必备 Python 包：
  • numpy: 数值计算基础。
  • scipy: 提供微分方程求解器 (odeint或solve_ivp) 和优化算法 (curve_fit或minimize)。
  • pandas: 处理表格数据（如果数据是 CSV 格式）。
  • matplotlib: 绘制疫情曲线和拟合结果图。
  • jupyter或jupyterlab: 用于交互式笔记本环境（推荐）。

3.2 AI 辅助工具选择（二选一或组合）

1. 云端大模型 API（方便，需联网，可能产生费用）：

   • OpenAI GPT-4/3.5-Turbo：代码生成和理解能力强大。
   • Anthropic Claude：在长文本和逻辑推理上表现优异。
   • 国内大模型 API：如百度文心、阿里通义、智谱 GLM 等，需注意其代码生成能力。
   • 你需要准备相应的 API Key。

2. 本地部署代码模型（隐私性好，对硬件有要求）：

   • Code Llama(7B/13B/34B)：Meta 开源的专注于代码的模型。
   • DeepSeek-Coder：在多项代码基准测试中表现突出。
   • Qwen-Coder：通义千问的代码模型。
   • 本地部署需要足够的 GPU 显存（例如，7B 模型量化后可能需要 6-8GB 显存）或利用 CPU 推理（速度较慢）。

3.3 数据准备

你需要一份模拟的或真实的流感爆发时间序列数据。一个典型的 CSV 文件可能包含以下列：

• date: 日期
• confirmed_cases: 累计确诊病例
• new_cases: 每日新增病例（这是我们通常用于拟合的数据）
• （可选）recovered,deaths等。

如果没有真实数据，我们可以用 SIR 模型自己生成一份“模拟数据”来作为起点，这样整个流程就形成了闭环：用模型生成数据，再让 AI 从数据中重新发现模型。

4. 实战流程：AI 如何“跑通”建模

下面我们以一个完整的、分步的交互式流程，演示如何引导 AI 完成从数据到 SIR 模型拟合的全过程。假设我们使用 Jupyter Notebook 并结合 GPT-4 API 进行交互。

4.1 步骤一：向 AI 描述问题与提供数据

首先，我们在 Notebook 的一个单元格中，以注释或 Markdown 的形式，清晰地给 AI 布置任务。

# 任务描述：请协助我分析一场流感爆发的数据，并建立传染病动力学模型。 # 目标：1. 理解数据；2. 选择合适的模型（如SIR）；3. 编写代码拟合模型参数；4. 预测未来趋势。 # 数据如下（模拟的每日新增病例数，共60天）： import numpy as np # 模拟数据：时间序列（天） days = np.arange(60) # 模拟的每日新增病例数（假设由某个未知参数的SIR模型生成） new_cases_simulated = np.array([...]) # 这里应是一串60个数字，为节省篇幅省略 # 请开始你的分析。

然后，将这段描述连同数据（可以是真的，也可以先用代码生成一份模拟数据）提交给 AI 助手。

4.2 步骤二：AI 生成数据探索与可视化代码

一个合格的 AI 助手通常会先建议查看数据。它可能会生成如下代码：

import matplotlib.pyplot as plt import pandas as pd # 假设数据已加载到 DataFrame `df` 中，或使用上面的模拟数据 # 这里我们创建一个 DataFrame 用于演示 df = pd.DataFrame({ 'day': days, 'new_cases': new_cases_simulated }) plt.figure(figsize=(10, 6)) plt.plot(df['day'], df['new_cases'], 'o-', label='Observed New Cases') plt.xlabel('Days since outbreak') plt.ylabel('Number of New Cases') plt.title('Simulated Influenza Outbreak - Daily New Cases') plt.grid(True, alpha=0.3) plt.legend() plt.show() # 计算基本统计量 print(df['new_cases'].describe())

运行这段代码，我们可以直观地看到疫情曲线（通常先上升后下降的单峰形态），这初步暗示了 SIR 类模型的适用性。

4.3 步骤三：AI 建议模型并生成定义代码

看到曲线后，AI 可能会分析：“这条曲线呈现先增后减的单峰形态，符合经典传染病动力学模型 SIR 或 SEIR 的特征。我们首先尝试 SIR 模型。”

接着，它会生成 SIR 模型微分方程的定义代码：

from scipy.integrate import odeint def sir_model(y, t, beta, gamma): """ SIR 模型微分方程 y: 状态向量 [S, I, R] t: 时间 beta: 感染率 gamma: 恢复率（1/gamma 为平均感染期） """ S, I, R = y N = S + I + R # 总人口，假设为常数 dSdt = -beta * S * I / N dIdt = beta * S * I / N - gamma * I dRdt = gamma * I return [dSdt, dIdt, dRdt]

同时，AI 会解释：S 代表易感者，I 代表感染者，R 代表康复者。beta和gamma是我们需要从数据中拟合的关键参数。

4.4 步骤四：AI 生成模型拟合代码

这是最关键的一步。AI 需要编写代码，将模型模拟出的“每日新增感染者”与实际观测的“每日新增病例”进行匹配，并通过优化算法调整beta和gamma。

AI 可能会生成如下使用scipy.optimize.curve_fit的代码：

from scipy.optimize import curve_fit # 1. 定义用于拟合的模型函数 def sir_new_cases(t, beta, gamma, I0): """ 给定参数，返回 SIR 模型预测的每日新增病例序列。 I0: 初始感染者数量 假设初始易感者 S0 = N - I0，初始康复者 R0 = 0。 """ N = 10000 # 假设总人口，这是一个需要估计或给定的参数，也可作为拟合参数 S0 = N - I0 R0 = 0 y0 = [S0, I0, R0] # 求解 SIR 模型 solution = odeint(sir_model, y0, t, args=(beta, gamma)) S, I, R = solution.T # 计算每日新增感染者为易感者的减少量（负的dS/dt） # 注意：这里做了简化，实际新增可能略有延迟，但作为拟合常用此法 new_infections = -np.diff(S, prepend=S[0]) return new_infections # 2. 准备数据 t_data = df['day'].values y_data = df['new_cases'].values # 3. 提供参数初始猜测值 # beta (感染率) 初始值可设为一个大于0的数，如0.3 # gamma (恢复率) 初始值可根据平均感染期估算，如 1/7 ≈ 0.14 (假设感染期7天) # I0 (初始感染者) 初始值可设为数据第一天的病例数或稍小值 initial_guess = [0.3, 0.14, y_data[0]] # 4. 执行拟合 try: popt, pcov = curve_fit(sir_new_cases, t_data, y_data, p0=initial_guess, maxfev=5000) beta_fit, gamma_fit, I0_fit = popt print(f"拟合参数: beta = {beta_fit:.4f}, gamma = {gamma_fit:.4f}, I0 = {I0_fit:.2f}") print(f"基本再生数 R0 = {beta_fit / gamma_fit:.2f}") except RuntimeError as e: print(f"拟合失败: {e}")

4.5 步骤五：AI 生成结果可视化与预测代码

拟合完成后，AI 会生成代码来对比拟合效果，并进行未来预测。

# 计算拟合曲线 y_fit = sir_new_cases(t_data, *popt) # 绘制拟合结果对比 plt.figure(figsize=(12, 5)) plt.subplot(1, 2, 1) plt.plot(t_data, y_data, 'o', label='Observed Data', alpha=0.7) plt.plot(t_data, y_fit, '-', linewidth=2, label='SIR Model Fit') plt.xlabel('Days') plt.ylabel('New Cases') plt.title('Model Fitting Result') plt.legend() plt.grid(True, alpha=0.3) # 预测未来30天 t_future = np.arange(0, 90) # 包含已观测的60天和未来30天 y_future = sir_new_cases(t_future, *popt) plt.subplot(1, 2, 2) plt.plot(t_data, y_data, 'o', label='Observed Data', alpha=0.7) plt.plot(t_future, y_future, '-', label='SIR Model Prediction', color='red') plt.axvline(x=59, color='gray', linestyle='--', label='Now') plt.xlabel('Days') plt.ylabel('New Cases') plt.title('Outbreak Prediction (Next 30 Days)') plt.legend() plt.grid(True, alpha=0.3) plt.tight_layout() plt.show() # 输出预测峰值等信息 peak_day = t_future[np.argmax(y_future)] peak_cases = np.max(y_future) print(f"预测疫情峰值出现在第 {peak_day} 天，预计单日新增病例约 {peak_cases:.0f} 人。")

至此，AI 已经引导我们完成了从数据输入、模型选择、参数拟合到结果可视化的完整流程。你可以通过修改给 AI 的指令（例如“试试 SEIR 模型”、“考虑人口流动因素”），来探索更复杂的建模场景。

5. 功能测试与效果验证

在实际操作中，我们需要系统地验证 AI 辅助建模流程的各个环节是否可靠。

5.1 测试一：数据理解与预处理

• 测试目的：验证 AI 是否能正确解读数据格式，并建议合理的预处理步骤（如平滑处理、计算累计病例等）。
• 操作步骤：提供一份格式稍有混乱的 CSV 数据（例如包含空值、日期格式不统一），要求 AI 生成数据清洗和加载代码。
• 预期结果：AI 生成的代码应能成功读取数据，处理缺失值，并将日期列转换为 datetime 格式，提取出“每日新增病例”序列。
• 成功标准：代码运行无误，生成干净的DataFrame用于后续分析。

5.2 测试二：模型选择建议的合理性

• 测试目的：验证 AI 是否能根据数据特征（如曲线形状、是否有潜伏期迹象）推荐合适的模型。
• 操作步骤：提供两种模拟数据：1) 典型的单峰 SIR 型数据；2) 带有明显“拖尾”或双峰的数据（可能需 SEIR 或更复杂模型）。分别让 AI 分析。
• 预期结果：对于数据1，AI 应优先推荐 SIR 模型；对于数据2，AI 应能指出 SIR 的局限性，并建议尝试 SEIR（引入潜伏者 E）或考虑时变参数。
• 成功标准：AI 的建议符合流行病学建模的基本常识。

5.3 测试三：生成代码的可运行性与正确性

• 测试目的：这是核心测试，确保 AI 生成的微分方程定义、拟合函数和优化调用在语法和逻辑上正确。
• 操作步骤：将 AI 生成的完整代码块复制到新的 Python 脚本或 Notebook 单元格中执行。
• 预期结果：代码应无语法错误，能成功调用odeint和curve_fit，并输出拟合参数。
• 常见失败原因：
  1. 参数维度不匹配：odeint的初始条件y0长度与微分方程返回的dydt长度不一致。
  2. 拟合不收敛：初始猜测值p0离真实值太远，或模型结构过于复杂。需要调整maxfev参数或提供更好的初始值。
  3. 数值计算溢出：人口数N设置过小或参数不合理，导致计算中出现极大值。需要检查参数范围。

5.4 测试四：拟合效果的定量评估

• 测试目的：评估拟合出的模型是否能很好地还原观测数据。
• 操作步骤：计算并可视化拟合残差，或计算 R-squared 等指标。
• AI 可生成代码示例：

  from sklearn.metrics import r2_score r2 = r2_score(y_data, y_fit) print(f"R-squared of the fit: {r2:.4f}") # 绘制残差图 residuals = y_data - y_fit plt.figure(figsize=(8, 4)) plt.plot(t_data, residuals, 'o-') plt.axhline(y=0, color='r', linestyle='--') plt.xlabel('Days') plt.ylabel('Residuals') plt.title('Residuals of SIR Model Fit') plt.grid(True, alpha=0.3) plt.show()

• 成功标准：R-squared 接近 1，残差随机分布，无明显模式，说明拟合良好。

5.5 测试五：预测的合理性检验

• 测试目的：检验模型对未来趋势的预测是否在合理范围内（如不会出现负数病例、曲线最终趋于平缓）。
• 操作步骤：延长预测时间，观察模拟的 S、I、R 各仓室人数变化。
• AI 可生成代码示例：

  # 模拟完整的 SIR 轨迹 solution = odeint(sir_model, [S0, I0_fit, 0], t_future, args=(beta_fit, gamma_fit)) S_future, I_future, R_future = solution.T plt.figure(figsize=(10, 6)) plt.plot(t_future, S_future, label='Susceptible') plt.plot(t_future, I_future, label='Infected', linewidth=2) plt.plot(t_future, R_future, label='Recovered') plt.axvline(x=59, color='gray', linestyle='--', label='Now') plt.xlabel('Days') plt.ylabel('Number of People') plt.title('SIR Model Simulation (with Fitted Parameters)') plt.legend() plt.grid(True, alpha=0.3) plt.show()

• 成功标准：易感者 S 单调递减至接近 0，感染者 I 先升后降至 0，康复者 R 单调递增至接近总人口 N。这是 SIR 模型正确的动力学行为。

6. 接口 API 与批量任务封装

虽然核心流程在 Notebook 中交互完成，但我们可以将其工程化，封装成可复用的函数或 API，便于批量处理不同数据集。

6.1 将建模流程函数化

我们可以将 AI 辅助生成的代码整理成一个标准的函数或类。

import numpy as np from scipy.integrate import odeint from scipy.optimize import curve_fit import matplotlib.pyplot as plt class SIRFitter: def __init__(self, total_population=10000): self.N = total_population self.beta = None self.gamma = None self.I0 = None @staticmethod def _sir_model(y, t, beta, gamma): S, I, R = y N = S + I + R dSdt = -beta * S * I / N dIdt = beta * S * I / N - gamma * I dRdt = gamma * I return [dSdt, dIdt, dRdt] def _sir_new_cases(self, t, beta, gamma, I0): S0 = self.N - I0 R0 = 0 y0 = [S0, I0, R0] solution = odeint(self._sir_model, y0, t, args=(beta, gamma)) S, I, R = solution.T new_infections = -np.diff(S, prepend=S[0]) return new_infections def fit(self, days, new_cases_data, initial_guess=(0.3, 0.14, None)): """ 拟合 SIR 模型参数。 days: 时间序列（天） new_cases_data: 对应的每日新增病例数 initial_guess: (beta_guess, gamma_guess, I0_guess)。若I0_guess为None，则取数据第一个值。 """ if initial_guess[2] is None: initial_guess = (initial_guess[0], initial_guess[1], new_cases_data[0]) self.days_data = days self.cases_data = new_cases_data popt, _ = curve_fit(self._sir_new_cases, days, new_cases_data, p0=initial_guess, maxfev=5000) self.beta, self.gamma, self.I0 = popt self.R0 = self.beta / self.gamma return popt def predict(self, future_days): """预测未来每日新增病例""" if self.beta is None: raise ValueError("Model not fitted yet. Call .fit() first.") return self._sir_new_cases(future_days, self.beta, self.gamma, self.I0) def plot_results(self, future_days_to_plot=30): """绘制拟合与预测结果""" # ... 绘图代码（整合之前的可视化逻辑） pass # 使用示例 fitter = SIRFitter(total_population=10000) params = fitter.fit(days, new_cases_simulated) print(f"Fitted: beta={params[0]:.4f}, gamma={params[1]:.4f}, R0={fitter.R0:.2f}") future_days = np.arange(0, 90) predictions = fitter.predict(future_days)

6.2 构建简易本地 API 服务

使用 Flask 或 FastAPI，可以将拟合和预测功能封装成 HTTP API，供其他程序调用。

# app.py (FastAPI 示例) from fastapi import FastAPI, HTTPException from pydantic import BaseModel import numpy as np from .sir_fitter import SIRFitter # 假设上面的类保存在 sir_fitter.py app = FastAPI(title="SIR Model Fitting API") class FitRequest(BaseModel): days: list[int] new_cases: list[float] total_population: int = 10000 class FitResponse(BaseModel): beta: float gamma: float I0: float R0: float success: bool message: str = "" @app.post("/fit", response_model=FitResponse) async def fit_sir_model(request: FitRequest): try: fitter = SIRFitter(total_population=request.total_population) params = fitter.fit(np.array(request.days), np.array(request.new_cases)) return FitResponse( beta=float(params[0]), gamma=float(params[1]), I0=float(params[2]), R0=float(fitter.R0), success=True ) except Exception as e: raise HTTPException(status_code=500, detail=f"Model fitting failed: {str(e)}") @app.get("/predict") async def predict(future_days: int, beta: float, gamma: float, I0: float, total_population: int = 10000): try: fitter = SIRFitter(total_population=total_population) fitter.beta, fitter.gamma, fitter.I0 = beta, gamma, I0 future = np.arange(future_days) predictions = fitter.predict(future) return {"future_days": future.tolist(), "predicted_new_cases": predictions.tolist()} except Exception as e: raise HTTPException(status_code=500, detail=f"Prediction failed: {str(e)}") if __name__ == "__main__": import uvicorn uvicorn.run(app, host="0.0.0.0", port=8000)

启动服务后，就可以通过curl或 Pythonrequests库进行调用，实现自动化建模。

6.3 批量任务处理

有了 API 或函数化的代码，处理多个地区、多种场景的数据就变得简单。可以编写一个脚本，遍历数据目录下的所有 CSV 文件，依次进行拟合和预测，并将结果汇总到一份报告中。

import pandas as pd import json from pathlib import Path from sir_fitter import SIRFitter data_dir = Path("./outbreak_data/") output_dir = Path("./results/") output_dir.mkdir(exist_ok=True) results = [] for csv_file in data_dir.glob("*.csv"): df = pd.read_csv(csv_file) region = csv_file.stem try: fitter = SIRFitter() params = fitter.fit(df['day'].values, df['new_cases'].values) # 保存该地区的拟合参数和预测图 result = { "region": region, "beta": float(params[0]), "gamma": float(params[1]), "I0": float(params[2]), "R0": float(fitter.R0) } results.append(result) # 生成并保存预测图 fitter.plot_results() plt.savefig(output_dir / f"{region}_fit.png") plt.close() except Exception as e: print(f"Failed to fit model for {region}: {e}") # 汇总所有结果 summary_df = pd.DataFrame(results) summary_df.to_csv(output_dir / "fitting_summary.csv", index=False) print("Batch processing completed.")

7. 资源占用与性能观察

由于传染病动力学建模的核心是数值计算（ODE 求解和优化），其资源消耗主要取决于数据规模和模型复杂度，与 AI 模型本身的推理消耗是分开的。

1. 计算资源消耗：

   • CPU/GPU：scipy.optimize.curve_fit和odeint主要使用 CPU 进行数值计算。对于 SIR/SEIR 这类常微分方程组，计算量很小，即使在普通笔记本电脑上，拟合几十个数据点也只需秒级时间。
   • 内存：几乎可以忽略不计，主要存储一些数组。
   • 如果使用本地大模型辅助：则需要考虑大模型推理的显存和内存占用。例如，运行一个 7B 参数的量化模型，可能需要 6-8 GB 的 GPU 显存或等量的 CPU 内存。这部分消耗与建模计算本身无关。

2. 性能影响因素：

   • 数据点数：时间序列越长，拟合时需要计算的函数调用次数越多，耗时线性增长。
   • 模型复杂度：SIR（3个仓室）比 SEIR（4个仓室）计算量稍大，但差异不大。如果引入更多仓室（如考虑隔离、疫苗接种）或时变参数，优化问题会变复杂，可能显著增加拟合时间。
   • 优化算法与参数：curve_fit默认使用 Levenberg-Marquardt 算法。拟合不收敛时，增加maxfev（最大函数评估次数）会延长计算时间。
   • 初始猜测值：一个好的初始猜测能极大加快收敛速度，减少迭代次数。

3. 性能观察方法：

   • 在代码中使用%%time(Jupyter Magic) 或time模块来测量关键函数（如curve_fit）的运行时间。
   • 对于本地大模型，可以使用nvidia-smi(GPU) 或系统监控工具观察显存和内存占用。

核心结论：单纯从“跑通传染病动力学建模”这个科学计算任务来看，其对硬件的要求极低。主要的性能瓶颈和资源消耗可能来自于你选择的AI 辅助工具（如果使用大型本地模型）。因此，对于大多数用户，使用云端 AI API 是更经济高效的选择。

8. 常见问题与排查方法

在实践 AI 辅助建模的过程中，你可能会遇到以下问题。

9. 最佳实践与使用建议

为了让 AI 辅助建模流程更顺畅、结果更可靠，遵循以下实践建议：

1. 从简单开始，逐步复杂：第一次尝试时，使用 AI 生成一份模拟的 SIR 数据作为输入。这能确保你的流程管道是通的。成功后再替换为真实数据。
2. 明确指令，分步进行：不要一次性要求 AI 完成所有事。可以分步提示：“第一步，请帮我加载并可视化这份数据。”“第二步，根据这个曲线，你认为哪种传染病模型合适？请给出理由和模型方程。”“第三步，请编写代码用 SIR 模型拟合数据。”
3. 审查并理解每一行代码：AI 生成的代码是工具，不是黑箱。务必读懂它生成的微分方程、拟合函数和绘图代码。这既是学习过程，也能及时发现逻辑错误。
4. 参数有生物学意义：拟合出的beta、gamma、R0应在合理范围内。例如，平均感染期1/gamma通常在几天到十几天。如果拟合出gamma=10（感染期0.1天），那很可能拟合过程出了问题。
5. 可视化是关键：永远相信图表。将原始数据、拟合曲线、模型模拟的 S/I/R 变化、残差图都画出来。视觉检查能发现很多数值指标无法反映的问题。
6. 版本控制与文档：使用 Git 管理你的 Notebook 和脚本。在关键步骤（如最终确定的模型和参数）添加清晰的 Markdown 注释，说明决策理由。
7. 合规使用数据与模型：
   • 数据：使用公开、合规的数据集。如果使用自有数据，确保已脱敏并获得使用授权。
   • AI 模型：如果使用云端 API，注意不要上传敏感数据。了解服务商的数据隐私政策。
   • 结果发布：如果公开分享结果，明确说明这是“基于 AI 辅助的模拟分析”，并注明所使用的数据来源、模型假设和局限性。
8. 将 AI 视为高级助手而非替代品：AI 能极大提升效率，但领域知识（流行病学原理）、批判性思维（模型是否合理）和结果的责任，始终在研究者自己身上。

通过以上步骤和最佳实践，你可以有效地利用 AI 工具，将“从数据跑通传染病动力学建模”这一过程自动化、标准化，从而更专注于模型本身的改进和实际问题的洞察。这个项目不仅是一个技术演示，更是一种人机协同解决复杂科学问题的新范式。