EpiEvolve：用于政权_shift_下流式大流行预测的自我进化代理

流行病大语言模型预测器通常作为静态监督模型进行训练和评估，而实际的大流行预测是一个流式过程，标签在预测后到达且疾病政权随时间变化。本文研究了这一不匹配问题，提出了 EpiEvolve，一种自我进化代理。该代理封装了一个在预热期训练的 LLM 预测器，并在流式过程中保持权重固定。EpiEvolve 通过将预测结果存储分层情景记忆、反思延迟标签、检索与当前政权相关的案例，并将重复错误提炼为战略规则来实现自适应。实验表明，该方法在流式数据集上显著提升了准确率并减少了政权转移后的恢复滞后。