随着 AI 代理在医疗、科研等领域的自主任务执行日益增多，了解其行为随时间的演化及对结果的影响变得尤为重要。传统评估侧重模型能力和预定义任务的表现，缺乏对长期行为模式的系统观察。本文借鉴人群流行病学的队列研究思路，提出一种针对代理 AI 的研究框架。\n\n在该框架中，每个 AI 代理被视为队列成员，其底层模型相当于遗传基因，累计工作量构成时间尺度，日常产生的行为被定义为暴露因素，可能影响后续的安全或可靠性结果。通过对代理进行纵向追踪，可以探讨不良事件的行为决定因素，在因果假设下估计可预防的负担，并描绘工作生命周期内行为的变化趋势。\n\n为展示该设计的可行性，本文构建了两个前瞻性观察队列：一是以好奇心和探查行为作为安全风险的暴露，二是以数据检查和分析准确性作为可靠性风险的暴露。两项研究均遵循相同的队列结构，记录代理的行为日志、任务输出以及对应的安全/可靠性事件。结果表明，特定行为模式与不良事件呈显著关联，为后续的预防性干预提供了量化依据。\n\n该框架及示例研究为构建 AI 代理流行病学队列提供了通用蓝图，未来可扩展至更广泛的任务域和行为维度，以实现对代理系统的系统性风险管理。\n\n点评：该方法将人类流行病学的成熟工具移植到 AI 代理研究中，提供了系统化、可量化的风险评估路径，为实现 AI 代理的预防性护理奠定了理论与实践基础。