PhyNiKCE：面向自主计算流体动力学的神经符号Agentic框架

自主Agent在计算流体动力学（CFD）中的部署严重受限于大语言模型（LLM）的概率性本质——LLM难以强制执行基于物理的仿真所要求的严格守恒律与数值稳定性。依赖纯语义的检索增强生成（RAG）常导致“上下文投毒”（context poisoning）：由于根本性的语义-物理脱节，Agent会生成语言上貌似合理却物理上无效的配置。为弥合这一差距，本工作提出PhyNiKCE（Physical and Numerical Knowledgeable Context Engineering），一个面向可信工程的神经符号agentic框架。与标准黑盒Agent不同，PhyNiKCE将神经规划与符号验证解耦。它采用一个符号知识引擎，将仿真设置视为约束满足问题（CSP），并通过一个确定性RAG引擎——配备针对求解器、湍流模型与边界条件的专门检索策略——刚性强制物理约束。在使用Gemini-2.5-Pro/Flash于实用、非教程式CFD任务上开展的严格OpenFOAM实验中，PhyNiKCE相较最先进基线取得96%的相对提升。此外，通过以知识驱动的初始化取代试错，该框架将自主自校正循环减少59%，同时将LLM token消耗降低17%。这些结果表明，将神经生成与符号约束强制解耦能显著提升鲁棒性与效率。尽管在CFD上得到验证，该架构为更广泛工业自动化中的可信人工智能提供了可扩展、可审计的范式。