AutoNumerics：面向科学计算的自主、PDE无关多智能体流水线

偏微分方程（PDE）是科学与工程建模的核心，但设计精确的数值求解器通常需要深厚的数学专业知识和大量手工调优。近年基于神经网络的方法提升了灵活性，但往往计算成本高且可解释性有限。我们提出AutoNumerics，一个多智能体框架，可直接从自然语言描述自主设计、实现、调试并验证面向一般PDE的数值求解器。与黑盒神经求解器不同，我们的框架生成以经典数值分析为基础的透明求解器。我们引入由粗到细的执行策略与基于残差的自验证机制。在24个经典与真实PDE问题上的实验表明，AutoNumerics相对现有神经与基于LLM的基线取得相当或更优的精度，并能依据PDE结构性质正确选择数值格式，显示出其作为可及的自动化PDE求解范式的可行性。