---
name: seir-modeling
description: >-
  当用户需要用仓室模型做传染病传播情景推演、选择 SIR/SEIR/SEIRS 模型结构、
  理解 β/σ/γ/R0 参数含义、做参数敏感性分析、估计峰值时间与峰值感染数、
  解读或评审一篇仓室模型结果时使用。同义场景：SEIR 模型、SIR 模型、
  仓室模型、传播动力学建模、基本再生数 R0、有效再生数、传染期/潜伏期
  参数化、疫情趋势情景模拟、干预效果推演、"帮我跑一个 SEIR 看看峰值"。
argument-hint: '[model=sir|seir beta sigma gamma population i0 days]'
metadata:
  domains: [epidemiology, public-health]
  last_reviewed: '2026-08-18'
---

# seir-modeling：仓室模型情景推演规程

## 目的

用确定性仓室模型（SIR/SEIR）做**情景推演**：在给定参数假设下，回答
"若传播机制如此、参数取这些值，曲线大致长什么样、峰值何时多高"。
本技能规定模型选择的决策树、参数意义与来源标注、敏感性分析做法，
以及最重要的**解读纪律**——模型输出是条件推演，不是预测水晶球。

解读纪律（内化后再动手）：

1. 每个数字都连着假设：报告结果时必须同段给出参数取值、取值来源与
   区间；光秃秃的峰值数字不得写入产物。
2. 模型是简化：均匀混合、无年龄结构、无空间、参数恒定。现实偏离
   这些假设时，输出只作定性参考。
3. 参数未知时跑**区间**而非单点：用多组参数给出情景范围，杜绝
   "挑一个看起来合理的数跑一次就当结论"。

## 前置检查

1. 明确推演问题：要回答"峰值多高""何时达峰"还是"某参数变化对曲线
   形态的影响"？问题决定模型与输出重点。
2. 确认病种关键生物学参数（潜伏期、传染期）有文献或方案来源；拿不到
   时标 `[模型知识—待核实]` 并在报告中说明这是假设值而非实测值。
3. 确认人群规模与初始感染数的设定依据（真实场景规模 or 示意性规模）。
4. 脚本就绪：`skills/seir-modeling/scripts/seir.py`（纯 stdlib）。

## 1 · 模型选择决策树

```
是否需要显式表达"已感染但尚未有传染性"的潜伏期？
├─ 不需要（潜伏期很短或只关心粗略形态）→ SIR
└─ 需要（潜伏期不可忽视）→ SEIR
     └─ 康复后免疫是否随时间消失？
          ├─ 不消失（本脚本范围）→ SEIR
          └─ 消失（需 R → S 回流）→ SEIRS（本脚本不实现，见"不做什么"）
```

补充判断：

- 只关心**单波封闭人群**（如一次集体单位暴发后的续发），SIR/SEIR 够用；
- 需要出生死亡、年龄结构、空间或随机效应，超出本脚本范围，转
  计算类 skill 或专业建模环境；
- 不确定选哪个：两个都跑，比较形态差异，把差异写进报告（这本身
  就是敏感性分析）。

## 2 · 参数意义与标定

| 参数 | 含义 | 与可观测量的关系 |
| --- | --- | --- |
| β（beta） | 传播率：单位时间有效接触 × 单次接触传播概率 | 不直接可观测，常由 R0 反推 |
| σ（sigma） | 潜伏期转化率 | ≈ 1/平均潜伏期 [模型知识—待核实：指数分布假设下成立] |
| γ（gamma） | 恢复率 | ≈ 1/平均传染期 [模型知识—待核实：同上] |
| R0 | 基本再生数 | SIR 及本脚本 SEIR 形式下 R0 = β/γ [模型知识—待核实] |

标定规程：

1. 先定 γ 与 σ（来自潜伏期/传染期的文献或方案值，带来源标签）；
2. 再由目标 R0 反推 β = R0·γ，R0 的取值来源同样标注；
3. 初始值：i0（初始感染者）、e0（初始潜伏者，默认 0）、population；
4. 每个参数在报告中给"取值 + 来源标签 + 不确定区间"三件套，缺一
   不写结果。

## 3 · 运行脚本

```bash
# JSON 输出（含参数回显、R0、峰值、逐日序列）
python scripts/seir.py --model seir --beta 0.5 --sigma 0.2 --gamma 0.1 \
    --population 1000000 --i0 10 --days 160 --format json

# CSV 输出（序列到 stdout，峰值摘要到 stderr）
python scripts/seir.py --model sir --beta 0.3 --gamma 0.1 \
    --population 100000 --i0 5 --days 120 --format csv > sir.csv
```

脚本行为说明：

- 积分器为手写 RK4，步长 `--dt`（默认 0.1 天），逐日快照输出；
- 输入校验：参数必须为正，i0+e0 ≤ population，SEIR 必须给 σ；
- 输出中的 `r0` 由 β/γ 计算回显，供核对参数录入是否有误。

## 4 · 敏感性分析

至少做两组对比，全部落盘并登记 provenance：

1. **参数区间扫描**：对每个不确定参数取其区间端点（如 R0 的文献
   上下限），组合出低/中/高三档情景各跑一次；
2. **结构敏感性**：SIR 与 SEIR 各跑一次，比较峰值时间与高度差异。

报告形式：情景表（每行一个情景：参数取值、峰值时间、峰值感染数、
最终规模），不给"最优拟合"单一结论。需要系统拟合观测数据（最小
二乘/MCMC）时转计算类 skill，本技能不拟合。

## 5 · 结果解读纪律

写入报告时逐条自查：

1. 每个数字旁边是否有参数三件套（取值/来源/区间）？
2. 措辞是否为"在……假设下，推演显示……"，而非"预测将……"？
3. 是否说明了模型简化（均匀混合、参数恒定、封闭人群）及偏离方向？
4. 峰值是否同时给出**区间**（多档情景的峰值的范围）？
5. 若把推演与真实监测曲线并置，是否明确标注"模型未拟合该数据"
   或拟合方法？
6. 任何对外（含媒体、决策部门）使用推演结果，是否已按 guardrail
   第 8 条取得确认，并附完整假设说明？

## 输出模板

```markdown
## 仓室模型情景推演（<日期>）

### 模型与假设
- 结构：SEIR；均匀混合、封闭人群、参数恒定（简化假设）
- 参数：β=<值>（由 R0=<值>×γ 反推，R0 来源 <标签>）；
  σ=<值>（≈1/潜伏期 <值> 天，<来源标签>）；γ=<值>（≈1/传染期，<来源标签>）
- 初始：N=<population>，I₀=<i0>，E₀=<e0>

### 情景结果
| 情景 | R0 | 峰日 | 峰值感染数 | 备注 |
| --- | --- | --- | --- | --- |
| 低 | … | … | … | [实验数据：seir.py 输出] |

### 解读
- 在以上假设下，推演显示 <峰值区间与达峰时间区间>；这些是条件推演，
  不构成疫情预测。
- 敏感性：<哪个参数最影响结果>；结构对比：<SIR vs SEIR 差异>。

### 局限
- <逐条列出简化假设与数据缺口>
```

## 本技能不做什么

- **不做参数拟合**：不用观测数据估计参数（最小二乘/极大似然/MCMC
  交给计算类 skill 或专业环境）；本技能只做前向推演。
- **不做 SEIRS/SEIRV/年龄结构/随机模型**：脚本只实现 SIR 与 SEIR；
  需要更复杂结构时说明理由并转专业工具。
- **不做实时预测与对外发布**：推演结果对外使用属 guardrail 第 8 条
  危险操作，必须先确认；任何"疫情预测"措辞在产物中禁用。
- **不编造病种参数**：潜伏期/传染期/R0 的具体数值必须有来源；
  模型印象值标 `[模型知识—待核实]` 且只用于演示性情景。
- **不做政策建议**：干预参数（如β下降多少对应何种措施）的映射超出
  本技能证据范围，不替用户把情景翻译成决策。

## 收尾与下一步

1. 汇总：跑了几个情景、峰值与达峰时间的区间、最敏感的参数。
2. 指向产物（JSON/CSV 序列、情景报告）并登记 provenance。
3. 建议下一步：
   - 需要拟合真实数据或更复杂模型 → python-analysis 等计算类 skill；
   - 结果写入报告 → `epi-writing`（附参数三件套与情景表）；
   - 参数来源需补文献 → literature-search。