Hazard maps（灾害风险图）是公共风险沟通、应急准备和疏散规划的关键工具，但地方政府和社区往往缺乏专业制图经验，导致图件设计质量参差不齐。为此我们提出 Agentic Hazard Mapper，一个基于多智能体的系统，能够在不同数据、地点和灾害情境下自动生成符合专业工作流的风险图。
系统核心由三类代理组成：
- 数据处理代理负责读取原始灾害数据（如洪水深度、地震烈度），执行空间插值、栅格化和属性归一化；
- 设计决策代理模拟制图师的迭代取舍，依据可视化原则（颜色层次、符号密度、信息层级）在多个候选方案中进行评估，并通过强化学习奖励函数（如空间认知提升、信息过载降低）进行自适应选择；
- 输出代理将最终布局渲染为符合 GIS 标准的矢量/栅格文件，并自动生成图例、比例尺和注记。
我们首先通过形成性研究邀请制图专家审阅系统原型，收集了关于工作流拆解、交互细节和评估指标的反馈。随后开展用户实验，让地图使用者（包括应急管理人员和普通居民）在两组任务中分别使用系统生成的地图和市政原有地图进行空间理解和疏散路线规划。实验结果显示：系统生成的地图显著提升了空间认知准确率（提升约 18%），降低了感知工作负荷（NASA‑TLX 下降 1.2 分），并缩短了任务完成时间（平均缩短 23%），受访者普遍更倾向于选择系统地图。
访谈进一步揭示了人机监督的必要性：专家希望保留关键审查环节，以防自动化引入的偏差；不同用户群体（专业人员 vs. 普通公众）对信息密度和符号解释的需求差异也要求系统提供可调的可视化参数。我们讨论了将代理支持扩展至风险沟通全链路（如灾前宣传、实时预警和事后评估）的可能性，并提出未来工作可结合自然语言生成技术，为不同受众自动生成解释性文字。
点评：Agentic Hazard Mapper 展示了多智能体在专业制图领域的可行性，尤其在提升地图可读性和降低人工成本方面表现突出。但系统仍需在透明度、可解释性和跨文化适配上进一步完善，以实现更广泛的风险沟通价值。